一篇文章理解线性代数中的标量、向量、矩阵和张量

经过之前的一些积累，终于有勇气开始进军机器学习了！说实话，机器学习 这个概念是我入行的最纯粹的原因，包括大学选专业、学习 Python 语言…这些有时间仔细梳理下经历再写，总之这个系列的文章就是我自学 机器学习 的笔记，各位看看就好，希望能为一些想入门但无从下手的小伙伴，提供一些帮助。另外我会采用通俗易懂的方式描述一些概念上的东西，我本人小白一枚，如果在这系列的文章中有什么错误，欢迎各路大神指正！在此谢过。

Ps：请注意，本文中所有“_”后加数字均表示为下标。

接下来几天会搞定线性代数，毕竟 不懂线代的话连机器学习相关资料中的公式都不懂！今天整理了下线性代数中比较重要的 4 个概念：标量、向量、矩阵和张量。

标量

标量 表示的是单独的 1 个数，一般在线性代数资料中用 斜体字母 表示，比如资料中会这样描述： “令 c 表示这个字符在整个字符串中出现的次数。”

把标量的概念映射到空间维度中的话，可以理解为 标量是一个点 属于零维空间，表示一个特定的数值。

向量

向量 是一列有序的数，向量中的每个元素都是一个 标量 ，每个元素都有自己的下标，并可通过下标进行索引。通常向量采用 加粗的小写字母 表示，如向量 x。

以下是一个规范的向量，直观感受一下：

把向量的概念映射到空间维度中的话可以理解为 向量是一条线 属于一维空间，表示一组特定的数值。

向量空间中的元素可以通过下标访问，比如上图向量 x 中包含了 x1~xn n个元素。

矩阵

矩阵 是一个二维数组，矩阵中的每个元素都被 两 个索引确定，通常用大写加粗的字母表示，如向量 A 。表示矩阵中的元素时，用斜体的大写字母表示，一个标准的矩阵如下图所示：

我们要访问矩阵中左下角的元素时需要用 A_2,1 ，表示第 2 行第 1 列的元素。

只能访问一个元素的情况比较容易，但如果我们需要访问某一行或者某一列元素时，需要用 “:” 来进行索引，这一点类似与 Python 中的切片。

比如 A_1,: 表示的是第一行的元素列表，即 “[A_1,1 , A_1,2]”

同理，A_:,1 表示第一列的元素列表，即 “[A_1,1 , A_2,1]”

在这种情况下，称为 访问矩阵中的向量，A_1,: 和 A_:,1 表示的都是一组数，即向量。

把矩阵的概念映射到空间维度中的话可以理解为 矩阵是一个平面 属于二维空间，表示一组特定的数组。

张量

在 TensorFlow 中，对张量的定义是这样的：张量是多维数组，目的是把向量、矩阵推向更高的维度。，直观点理解就是 张量表示三维及三维以上的维度。

可以以立方体来做类比进行理解。

• 立方体中的每个点就是一个标量；
• 立方体中的每一条线就是一个向量，无论这条线是立方体的边，还是面的对角线，还是立方体的体对角线；
• 立方体中的每一个面就是一个矩阵。

总结

总而言之，标量、向量、矩阵和张量这 4 个概念的维度是不断上升的，在空间中映射比较好理解，即：

• 点：标量
• 线：向量
• 面：矩阵
• 体：张量

欢迎在下方评论区交流，下篇文章再见。