人工智能必知必会-标量,向量,矩阵,张量

人工智能必知必会-标量,向量,矩阵,张量

每天五分钟,解决一个深度学习问题:

让我们开始本系列的第一个小节: 标量,向量,矩阵,张量。
在整个机器学习中,你需要把数据交给计算机来处理,这就要求你把数据数字化,这样才能运算。
这就要求你理解什么是张量
诶?你的标题不是标量,向量,矩阵,张量吗?为啥你只要重点标出张量呢?ok,那你就带着这样的疑问开始阅读吧!

深度学习中的数

在深度学习中的数,可以分为以下几类:
标量:2
向量: [ 1 3 ] \begin{bmatrix} 1 \\ {3} \\ \end{bmatrix} [13]
矩阵: [ 1 0 0 1 ] \begin{bmatrix} 1 & 0\\ 0 & 1 \\ \end{bmatrix} [1001]
我们为了更好的记忆,可以把他们做一下物理意义的比较

标量

标量就是直线上的点。
标量

向量

向量就是平面上的一条线。
向量

矩阵

矩阵就是空间中的一个平面基(不知道什么是基,你就把他理解成是坐标系的x轴,y轴就可以了)。

矩阵

张量

在更高维度的空间中矩阵可以堆叠成一个体。 感觉就是这样:
在这里插入图片描述

这样是不是比较有感觉,在深度学习中,把他们统称为tensor,张量!张量!张量!张量!

标量就是1维度张量,向量是2维张量,平面是3维张量,以此类推可以到更高的维度。

你可以把矩阵想成是向量的堆叠。例如你把向量 [ 1 2 ] \begin{bmatrix} 1 \\ 2 \\ \end{bmatrix} [12] [ 2 4 ] \begin{bmatrix} 2 \\ 4 \\ \end{bmatrix} [24] 拼到一起就是矩阵 [ 1 2 2 4 ] \begin{bmatrix} 1 & 2 \\ 2 & 4 \\ \end{bmatrix} [1224]
矩阵由行和列组成,像刚才的矩阵,行为2,列为2,他的形状就记为2X2。
记住,要使用tensor,先要搞清楚形状,这是最重要的。


代码实现

好了,你现在已经知道什么张量了。
接下来,我们用python的numpy模块,把标量,向量,矩阵,还有张量表示出来。


环境准备

环境准备可以看视频

#导入模块
import numpy as np

标量

#标量,这个没啥要解释的。
a = 1
a

输出:

1

向量

#向量
v1 = np.array([1,3])
print("v1:",v1)
#注意观察向量的形状
print("v1 shape:", v1.shape)

输出:

v1: [1 3]
v1 shape: (2,)

矩阵

#矩阵,看起来就是python中的list套list
m1 = np.array([[1,0],[0,1]])
print("m1:", m1)
print("m1 shape:", m1.shape)

输出:

m1: [[1 0]
 [0 1]]
m1 shape: (2, 2)

张量

#矩阵,看起来就是python中的list套list
t1 = np.array([[[1,0],[0,1]],[[1,0],[0,1]]])
print("t1:", t1)
print("t1 shape:", t1.shape)

输出:

t1: [[[1 0]
     [0 1]]

 [[1 0]
  [0 1]]]
t1 shape: (2, 2, 2)

恭喜你掌握了人工智能入门的第一个知识点。

如果你感觉很有趣,请点赞,关注,转发!谢谢!
  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
标、向量矩阵张量是线性代数的重要概念,它们之间存在一定的联系。 - 标量是0维空间的一个点,它只有大小没有方向,可以看作是一个单独的数值。 - 向量是一维空间的一条线,它有大小和方向。向量可以由一组有序的数值组成,这些数值称为向量的分量。向量可以表示位移、速度、力等物理量。 - 矩阵是二维空间的一个面,它由多个行和列组成。矩阵可以看作是多个向量的排列,每个向量作为矩阵的一列或一行。矩阵可以表示线性变换、方程组等。 - 张量是三维空间的一个体,它可以看作是多个矩阵的排列。张量可以有多个维度,每个维度对应一个矩阵张量可以表示物理领域的物质性质、场等。 因此,可以总结为:向量标量组成,矩阵向量组成,张量矩阵组成。它们在维度和元素的排列方式上存在不同,但都是线性代数用于描述数学和物理问题的重要工具。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [标量向量矩阵张量之间的区别和联系](https://blog.csdn.net/sinat_29957455/article/details/117396685)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值