深度学习基础4（标量，向量，张量，矩阵）

线性代数

标量

严格来说，称仅包含一个数值的叫标量（scalar）

标量由只有一个元素的张量表示。

在下面的代码中，我们实例化两个标量，并执行一些算术运算

import torch

x = torch.tensor(3.0)
y = torch.tensor(2.0)

x + y, x * y, x / y, x**y

(tensor(5.), tensor(6.), tensor(1.5000), tensor(9.))

向量

可以将向量视为标量值组成的列表。

将这些标量值称为向量的元素（element）或分量（component）。

当向量表示数据集中的样本时，它们的值具有一定的现实意义。

• 例如，如果我们正在训练一个模型来预测贷款违约风险，我们可能会将每个申请人与一个向量相关联， 其分量与其收入、工作年限、过往违约次数和其他因素相对应。 如果我们正在研究医院患者可能面临的心脏病发作风险，我们可能会用一个向量来表示每个患者， 其分量为最近的生命体征、胆固醇水平、每天运动时间等。

我们通过一维张量处理向量。一般来说，张量可以具有任意长度，取决于机器的内存限制。

x = torch.arange(4)
x

tensor([0, 1, 2, 3])

我们可以使用下标来引用向量的任一元素。

例如，我们可以通过𝑥𝑖来引用第𝑖个元素。 注意，元素𝑥𝑖是一个标量，所以我们在引用它时不会加粗。

大量文献认为列向量是向量的默认方向。在数学中，向量𝐱可以写为：

`

其中𝑥1,…,𝑥𝑛是向量的元素。

x[3]     #在代码中，通过张量的索引来访问任一元素

tensor(3)

长度、维度、 形状

向量只是一个数字数组，就像每个数组都有一个长度一样，每个向量也是如此。

在数学表示法中，如果说一个向量𝐱由𝑛个实值标量组成， 可以将