微信公众号:R语言数据分析与实践
1 n阶张量
Tensor张量,在数学中实际上是高维数组,
0阶张量:标量 是一个独立的数字;
1阶张量:向量,
2阶张量:矩阵,
3阶张量:数组,
n阶张量的定义如下表格:
![](https://img-blog.csdnimg.cn/20190329184411889.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L05pY29sZWxvdmVzbWF0aA==,size_16,color_FFFFFF,t_70)
![](https://img-blog.csdnimg.cn/20190329223913438.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L05pY29sZWxvdmVzbWF0aA==,size_16,color_FFFFFF,t_70)
2 张量应用
时间序列:3阶向量
尽管有时候时间序列数据看起来像是2阶张量,当你将这些数据的特征以时间为横截面观测时,它们就是3阶张量(包括特征、样本)。
![](https://img-blog.csdnimg.cn/20190329224818331.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L05pY29sZWxvdmVzbWF0aA==,size_16,color_FFFFFF,t_70)
图片数据:4阶张量
单张图片可以看作3阶张量(RGB、高度、宽度),加上样本数,则为4阶张量。
![](https://img-blog.csdnimg.cn/20190329225245987.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L05pY29sZWxvdmVzbWF0aA==,size_16,color_FFFFFF,t_70)