python tensor_python中的张量运算（tensor）

1，首先比较二者的参数部分：这就是处理0阶张量和1阶张量的区别

np.max：(a, axis=None, out=None, keepdims=False)

求序列的最值

最少接收一个参数

axis：默认为列向(也即 axis=0)，axis = 1 时为行方向的最值；

np.maximum：(X, Y, out=None)

X 与 Y 逐位比较取其大者；

最少接收两个参数

2、python标准库中的math和numpy中的数学计算问题：

比如都有math.exp()和numpy.exp()函数等，但是做数据分析时一般都用numpy自带的数学函数，更专业

3、张量元素的迭代器

it=np.nditer(a,flags=['multi_index'],op_flags=['readwrite']),这句话看起来不好理解，我们来仔细研究下。

flags=['multi_index']表示对a进行多重索引，具体解释看下面的代码。

op_flags=['readwrite']表示不仅可以对a进行read(读取)，还可以write(写入)，即相当于在创建这个迭代器的时候，我们就规定好了有哪些权限。

4、张量的卷积运算

从二维张量(矩阵)的角度看，张量的卷积运算是对dot product和cross运算的一种推广，对两个矩阵的形状没有那么严格的要求，可以试想两个平面运算，两个方块运算。

5.numpy.pad填充函数:

看这篇博客，写的很详细，有案例，

6.张量中的切片操作：

x1=np.random.rand(3,4,5)

x2 =x1[:,2,:]:确定了第二个轴的坐标，没有用冒号代替，意思就是全选，则x2,shape=(3,5),就相当于在面包上切片。

7，ndarray的方法和属性

Numpy中主要处理张量，当我们把处理好的数据集变成张量对象后，那它将拥有哪些方法和函数呢？比如最常见的shape和reshape()，transpose()。这些可以分为描述信息和统计信息两大类吧，比如mean(),std()