深度学习基础:标量、向量、矩阵、张量

深度学习基础:标量、向量、矩阵、张量

标量(scalar)

标量是一个独立存在的数,比如线性代数中的一个实数5就可以被看作一个标量,所以标量的运算相对简单,与平常做的算数运算类似。

向量(vector)

向量指一列顺序排列的元素,我们通常习惯用括号将这些元素扩起来,其中每个元素都又一个索引值来唯一的确定其中在向量中的位置。
在这里插入图片描述

矩阵(matrix)

矩阵是二维数组,其中的每一个元素被两个索引而非一个所确定,我们通常会赋值矩阵粗体大写变量名称,比如一个实数矩阵Height=m,Weight=n,如图所示在这里插入图片描述
矩阵在机器学习中用到的很多,比如我们有N个用户,每个用户有M个特征,那这个数据集就可以用一个NM的矩阵表示,还有在卷积神经网路中我们输入模型的最初的数据是一个图片,我们读取图片上的像素点(Pixel)作为输入,一张256256的一张图片,实质上就可以用256*256的矩阵表示。

张量(tensor)

在几何代数中,张量是基于向量和矩阵的推广,通俗一点理解的话,我们可以将标量是为0阶张量,矢量视为一阶张量,矩阵视为二阶张量,例如一张彩色图片,可以表示成一个三阶张量,因为彩色图片的每个像素点可以看成一个(RGB)3*1的矩阵[12,242,43](也可以看作二维张量),然后我们把这些像素点拼接成一个面,就变成了三维张量,如图所示:在这里插入图片描述

  • 1
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
标、向量矩阵张量是线性代数中的重要概念,它们之间存在一定的联系。 - 标量是0维空间中的一个点,它只有大小没有方向,可以看作是一个单独的数值。 - 向量是一维空间中的一条线,它有大小和方向。向量可以由一组有序的数值组成,这些数值称为向量的分量。向量可以表示位移、速度、力等物理量。 - 矩阵是二维空间的一个面,它由多个行和列组成。矩阵可以看作是多个向量的排列,每个向量作为矩阵的一列或一行。矩阵可以表示线性变换、方程组等。 - 张量是三维空间中的一个体,它可以看作是多个矩阵的排列。张量可以有多个维度,每个维度对应一个矩阵张量可以表示物理领域中的物质性质、场等。 因此,可以总结为:向量标量组成,矩阵向量组成,张量矩阵组成。它们在维度和元素的排列方式上存在不同,但都是线性代数中用于描述数学和物理问题的重要工具。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [标量向量矩阵张量之间的区别和联系](https://blog.csdn.net/sinat_29957455/article/details/117396685)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

HanZee

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值