本文旨在帮助初学者理解张量和维度在机器学习中的重要性。张量包括向量（1维）、矩阵（2维）等，是不同维度数组的统称。通过了解张量的维度，可以轻松识别其类型。例如，单个数字可以视为0维张量。张量的意义在于能代表现实世界中的各种模型，如文本（三维张量：句子、单词、字母）和图片（彩色图片的张量为32828）。掌握张量有助于理解和处理数据。
张量
1.为什么要学习张量
这篇文章最主要的目的是帮助AIer们理解这些概念，因为本人在数学并不是很擅长，因此如果与数学中的概念有不同，请各位大神指正。
在刚开始学习机器学习的过程中很多人都会被两个概念难住，那就是张量（Tensor）和维度（dimension）。但是这两个概念又是贯穿整个机器学习的基石。（看TensorFlow的命名就知道啦~，整个机器学习的过程就是张量这种数据的流动和变动）那数学基础并不是很好的同学们到底应该怎么理解张量呢，好下面我们进入干货时间。
2.怎么快速理解张量
张量大家刚开始听起来可能是一个新的概念，但是其实从小学、初中开始我们就一直在接触不同的张量。下面举几个例子。
2.1简单理解
首先告诉大家向量就是一个1维张量，矩阵是一个二维张量。他们都是张量，只不过dimension不同。（包括单个数字也是一个张量，不过维度不定，对于初学者来说可以理解为一个0维向量吧）
由此可以看出这些我们常见的数学概念都是**张量（Tensor）**的子集。
来看看他们在代码中的表达方式。
{
"向量1"
最低0.47元/天 解锁文章
扫一扫
3766
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
