python如何使三维矩阵对位进行矩阵乘法_TensorFlow学习Program1——补充附录(4)Python中张量、数组、矩阵、列表的关系...

首先我们先以一张图看看张量、标量、向量和矩阵的整体区别。

先贴上结果：

最重要的：列表、一维数组、一维向量都默认是n行1列的列向量(列矩阵). A = [[1,3,4,5,6]]是二维数组，1行5列

1. 张量是泛化的概念，广义上包含矩阵、数组、向量，对应标量；狭义上如图所示，专指3维及以上维数的数组情况
2. 数组，在Python中实质和张量等价。形如np.array([1,2,3,4])
3. 矩阵，经常和数组概念混，在Python中可以简单认为二者等价。只有一点可以区别彼此：一维和二维时，矩阵 = 数组，二维以上时只能是数组。硬要区分，则形如np.matrix([]).但实际大家都用np.array([1,2,3,4])来表示张量，很少出现matrix这个字眼。np.matrix([])和np.array([])作为矩阵相关函数的输入没有区别
4. 向量，类似的，在Python中没有向量这个专门的名字，认为就是一维矩阵或者列表对象。需要注意，不存在横向量，认为所有一维矩阵/列表都是列向量，n行1列。np.shape()测试可知
5. 列表, 形如[1,2,3,4].
6. 标量，不解释。
7. 元组很少和张量混用。尽管一维元组&