立即学习:https://edu.csdn.net/course/play/26245/326273?utm_source=blogtoedu
#标量(Scalar):一个单独的数字,通常写作小写
#向量(Vector):有序的一列数,通过次序索引,可以确定每个单独的数
- 向量的模:a=[x1,x2,...,xn],则|a|=根号x1^2+x2^2+....+xn^2
- 向量与标量相加:s+a=[s+x1,s+x2,...,s+xn],把标量s看做0维的向量
- 向量与标量相乘:sa=[sx1,sx2,...,sxn]
#矩阵(Matrix)是一个二维数组,其中每个元素由两个索引确定,通常写作大写
字母
- 形状一样的矩阵相加:对应位置的元素相加
- 矩阵与标量相加:就是矩阵中每个元素都与标量相加一次
- 矩阵与标量相乘:就是矩阵中的每个元素与标量相乘
标量(Scalar)是零维,向量(Vector)是一维,矩阵(Matrix)是二维,张量(Tensor)是三维
张量(Tensor)。三维以上的都叫张量,高维的就不再起新名字了
谷歌的深度学习框架TensorFlow,就是这个张量(Tensor)。
整个人工神经网络在计算的时候,有很多张量在里面进行一连串的计算,就好像流动一样(flow)