PyTorch - 04 - 张量解释：深度学习的数据结构

What Is A Tensor?

神经网络中的输入，输出和转换都使用张量表示，结果，神经网络编程大量使用了张量。

张量是神经网络使用的主要数据结构。

张量的概念是其他更具体概念的数学概括。让我们看一下张量的一些特定实例。

Specific Instances Of Tensors

这些示例都是张量的更一般概念的特定实例：

1. 数
2. 标量
3. 数组
4. 向量
5. 二维阵列
6. 矩阵

让我们将上述示例张量列表分为两类：

1. 数字，数组，二维数组
2. 标量，矢量，矩阵

第一组三个术语（数字，数组，二维数组）是计算机科学中通常使用的术语，而第二组（标量，向量，矩阵）是数学中通常使用的术语。

我们经常看到这种情况，不同的研究领域针对相同的概念使用不同的词。在深度学习中，我们通常仅将所有这些称为张量。

让我们进一步研究这些术语。 当我们从左到右移动时，每个组中的术语彼此对应。 为了显示这种对应关系，我们可以重塑术语列表以得到三组，每组两个术语：

1. 数字，标量
2. 数组，向量
3. 2D阵列，矩阵

Indexes Required To Access An Element

这些对中每对的关系是，两个元素都需要相同数量的索引来引用数据结构中的特定元素。

Indexes required	Computer science	Mathematics
0	数字	标量
1	个数组	向量
2	2D 阵列	矩阵

例如，假设我们有以下数组：