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。