(六)人工智能应用--深度学习原理与实战--理解张量与运算图

Tensorflow名称中的Tensor即张量，不仅仅是Tensorflow，几乎所有的深度学习平台都以张量为基本的数据结构。简单来说，张量就是多维数组，本质上是一种数据容器，它可以有任意维度，比如矩阵就是二维张量(二维数组)。

深度学习中使用张量来表示数据，计算图是由张量和张量运算形成的运算结构图，如果把张量作神经网络的原料的话，计算图就相当于神经网络这台机器的齿轮，它用图的形式来表达计算过程-----即数据的计算和流动。Tensorflow名称为张量(Tensor)的流动(flow) 。

主要学习内容:

1)理解和掌握张量的概念、维度(轴 axis)
2)掌握常用数据类型的张量表示,包括:
①向量数据
②时间序列数据
③图像数据
④视频数据
3) 理解和掌握计算图的作用及结构

一、 理解张量的相关概念

在Python中，通常用numpy来存储张量，numpy是个常用的科学计算包，其核结构是Ndarray (即多维数组)。在Tensorflow中的张量Tensor可以和Numpy数组相互转换。

0维张量(标量):

只含有1个数字的张量叫做0维张量，也叫标量。如果把张量比喻成水桶，0维度张量就是只有1滴水的水桶。

1维张量

即一维数组，维度个数(轴数)为1。