【深度学习笔记整理-2.2】张量Tensor

1.什么是张量（Tensor）？

张量是可存储数据的容器，之前将数据存储在多维numpy数组中，这就是张量。张量拥有自己的维度，也叫轴。例如：矩阵就是二维张量.

2.标量scalar，向量vector，矩阵matrix

标量即0维张量，向量是1维张量（5维的向量也是1维的张量），其shape为（n，），python中常喜欢将向量横置。矩阵是二维张量，多个二维张量的组合即三维张量，三维张量的shape为（a,b,c），三维张量可以理解为有a个b*c的矩阵组合而成。对于更高维的张量，我们都可以从后向前去理解，例如四维张量(a,b,c,d)，先看最后两个即c*d的矩阵，然后向前看即有b个c*d矩阵的组合，最后看最前面的a，有a个这样的组合。三维张量可以用于描述时间序列数据，除后两维描述时间和特征的关系，第一维为样本轴。四维张量可以用于描述彩色图片数据，除矩阵所占二维，另外两维分别由channel和sample数目决定。视频则可以由五维张量描述，即多帧彩色图片的组合。（numpy中可用ndim查看维度）

3.kera内置数据库的mnist数据库，其资料形状就是三维张量（由于是黑白照，没有channel轴）

4.张量的截取：与python的切片类似，张量中若只写一维代表后续轴全取，例如mnist中对于抽取90张图片，可直接写为train_image[10:100],而不必写成train_image[10:100,:,:],此外，若我们想截取所有图片右下角14*14，可以写成train_image[10:100,14: ,14: ],想截取正中间14*14，可以写成train_image[10:100，7：-7，7：-7].