深度学习中的张量

张量是神经网络有关的重要数据结构，网络的输入、输出和转换都用张量来表示。

需要的索引数	计算机中的名称	数学中的名称
0	数字	标量
1	数组	向量
2	二维数组	矩阵
n	n维数组	n维张量

如以上表格，访问特定的数据结构需要的索引数量不同，若访问的元素所需的索引数量超过2个时，我们就不需要给数据结构特定的名称，而使用更通用的语言——张量或n维张量（n表示所需的索引数量）。

张量的三个基本属性

1.秩

张量的秩指张量中存在的维数，例如假设我们有一个秩为2的张量，这就意味着我们有一个矩阵。张量的秩即告诉我们需要多少个索引来访问或引用张量数据结构中包含的特定元素。

2.轴

张量的轴是指张量的特定的维数，元素被认为是沿着轴运动，该运动会受到每个轴的长度的限制，每个轴的长度告诉我们沿轴有多少个索引。

3.形状

张量的形状由轴的长度决定，知道了张量的形状，也就可以知道张量的轴。