深度学习基础数据结构之张量：从一维到多维

张量在深度学习框架中广泛应用于模型的输入、输出以及中间计算过程。通过支持高维度矩阵运算、记录梯度信息等功能，张量成为实现深度学习算法的关键。

张量是一个多维数据容器，可以用来表示各种数据类型，如数值、图像、音频、文本等。本文将介绍一维、二维、三维和四维张量的形象展示、应用以及对学习理解的作用。

01 一维张量

一维张量通常被称为向量，如一维数组[1, 4, 3, 2, 5]，在数学和线性代数中，向量是指具有大小和方向的量，而一维张量（一维数组）正好满足这个定义。一维张量（向量）可以具有弯曲的形状，只要满足向量的定义和线性代数中的性质即可，但向量不一定必须是一条直线。

02 二维张量

二维张量通常被称为矩阵。矩阵是一个包含行和列的二维数据结构，可以表示平面或空间中的数据，每个元素可以通过行和列的索引来定位。在矩阵中，行是水平方向的排列，列是垂直方向的排列，如[[1, 2, 3]]是1行3列。这样，矩阵中的元素可以通过两个索引（行索引和列索引）唯一确定。

二维张量的形象展示可以是一个表格或矩阵，其中每个单元格代表一个数值。二维张量和矩阵之间的关系是很密切的，通常在深度学习和其他数学领域中，这两个术语可以互换使用。

矩阵是一种重要的数学和计算机科学工具，它在各种领域中都有广泛的应用，包括线性代数、图像处理、机器学习等。在深度学习中，二维张量常被用于表示模型的输入和输出数据，如图像、文本和声音等。

import numpy as np

import matplotlib.pyplot as plt

# 创建一个一维张量（向量）

vector = np.array([1, 4, 3, 2, 5])

# 创建一个二维张量（矩阵）

matrix = np.array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9