神经网络中用的名词解释：hyperparameters超参数，tensor张量，embedding vector嵌入向量

1. hyperparameters 超参数

超参数还是参数，是未知的。和一般的参数不同的是，一般意义上的参数是需要去估计的。但是超参数是人为设定的，不是估计得到的。机器学习中经常说到的“调参”就是在调整超参数。

2. tensor张量

首先推荐youtube上的一个视频讲解。
对这个概念，我的理解是以我们熟悉的三维空间举例，有三个坐标轴，(x,y,z)。

• 0阶张量：就是这三个方向永远都是0，也就是scalar；
• 1阶张量：就是这三个方向都有延展，也就是我们熟悉的任意一个向量都可以用（x,y,z）来表示；
• 2阶张量：在1阶张量的基础上，再增加一个空间

3. embedding vector嵌入向量

google上搜索给出的结果是：An embedding is a relatively low-dimensional space into which you can translate high-dimensional vectors.
举一个很简单的例子就容易理解了。对于图像的数据，我们都知道他可以用RGB的数据来表示，我们可以说(R,G,B)是一个嵌入向量。一般的向量的定义的话，R,G,B都是scalar.但是对于嵌入向量来说，R,G,B分别还可以是向量，矩阵等等。