深度学习中关于张量的阶、轴和形状的解释

阶、轴和形状的概念是我们在深度学习中最关心的张量属性。

当我们在深度学习中开始学习张量时，最为关注的是张量的三个属性：阶、轴和形状。这些概念建立在一个又一个的基础上，从阶开始，然后是轴，最后到形状，所以要注意这三者之间的关系。

张量的阶是指张量中的维数。假设我们有一个二阶张量。这意味着以下所有内容：

我们有一个矩阵

我们有一个二维数组

我们有一个二维张量

我们在这里介绍阶（rank）这个词，是因为它通常用于深度学习中，指的是给定张量中存在的维数。这只是不同研究领域使用不同词汇来指代同一概念的另一个例子。别搞混了。

阶和轴

张量的阶告诉我们访问（引用）张量数据结构中的特定数据元素需要多少个索引。

让我们通过观察张量的轴来建立阶的概念。

张量的轴

如果我们有一个张量，并且我们想引用一个特定的维度，我们在深度学习中使用轴（axis）这个词。

假设有个张量是一个2阶的张量，这意味着这个张量有2个维度，或者等价于，张量有 2 个轴。

元素被称为存在或沿着轴运行。这个机制受每个轴的长度限制。现在让我们看看轴的长度。