Tensorflow学习（一）认识Tensor张量

在自己学习Tensorflow的过程充满了艰辛，因为没有明确的路去学习，只能通过查阅大量的文章和博客去不断的丰富自己的知识，接下来是我总结的认知。仅此以记录。

1. 什么是Tensor

学习Tensorflow，首先要知道什么是Tensorflow
从英文的解释来看： tensor 张量 flow 流
对于解释这个概念 我认为这篇博客转载的文章很好的解释了tensor（张量）这一个概念，可以认真的阅读下https://blog.csdn.net/qq_31821675/article/details/79188449

这篇转载的提出的吧tensor 当作一个容器的概念，它是可以存储数据的一个容器
、
张量是根据一共具有多少坐标轴来定义

0维张量/标量
你可以使用一个数字的张量，我们称为0维张量，也就是一个只有0维的张量。它仅仅只是带有一个数字的水桶

• 1维张量/向量
  便于理解，可以把它想成数组，有一个描述的元素

• 2维张量
  同样的可以把它想成是矩阵，有两个描述的元素
  就如同它的例子：
  纽交所开市时间从早上9:30到下午4:00，即6.5个小时，总共有6.5 x 60 = 390分钟。如此，我们可以将每分钟内最高、最低和最终的股价存入一个2D张量（390,3）

• 3维张量
  有三个描述的元素
  就如同股票的例子：如果我们追踪一周（五天）的交易，我们将得到这么一个3D张量：
  (week_of_data, minutes, high_low_price)

• 4维张量
  有四个描述的元素
  同理，如果我们观测10只不同的股票，观测一周，我们将得到一个4D张量
  (10,5,390,3)

• 5维张量
  有五个描述的元素
  假设我们在观测一个由25只股票组成的共同基金，其中的每只股票由我们的4D张量来表示。那么，这个共同基金可以有一个5D张量来表示：
  (25,10,5,390,3)

这里是张量的基本的一些理解，张量的具体操作多是在对数据进行处理的时候需要使用到的

如对图片的处理中：
彩色图片有不同的颜色深度，这取决于它们的色彩（注：跟分辨率没有关系）编码。一张典型的JPG图片使用RGB编码，于是它的颜色深度为3，分别代表红、绿、蓝。
这是一张的猫咪（Dove）的照片，750 x750像素，这意味着我们能用一个3D张量来表示它：
(750,750,3)