关于张量(tensor)的理解

在深度学习中经常会碰到一个词，“张量”(tensor)。但对于一维，二维，三维还好理解，那么更多维度的时候呢？特别是当增加了批次(batch_size)这个维度，我们应该如何理解张量。

以pytorch为例，tensorflow也是一样的。

我们先来看这几个维度：

一维:

a = torch.tensor([1,2,3])

输出：tensor([1, 2, 3])

shape:torch.Size([3])

输出只有一个维度，所以是一维

二维：

 a = torch.tensor([[1,2,3]])

输出：tensor([[1, 2, 3]])

shape:torch.Size([1, 3])

a = torch.tensor([[1,2,3],[4,5,6],[7,8,9]])

tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])

shape:torch.Size([3, 3])

以上输出有行和列，所以上二维张量，就是一个二维矩阵。

在来看一个矩阵：

torch.ones(1,3,3)

tensor([[[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]]])

 我们注意到这个张量是有三个维度的，前面多了一个维度1。但貌似没看出这个1体现在哪里，我们再来看一个张量，进一步看一下这个最前面的维度体现在哪里：

torch.ones(3,3,3)

tensor([[[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]],

        [[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]],

        [[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]]])

这回能看出来这个最前面的维度体现在哪里了么？相当于第一个3，是分了3大行，每一大行，又分了三行小行，每行又分了三列，所以是3*3*3，最后一个维度永远是列的维度。 

如果你将上面的张量类比成图像，就相当于上面是3通道，每个通道的大小又是三行三列。。。

然后我们在看一个张量：

torch.ones(2,3,3,3)

tensor([[[[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]]],

---

        [[[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]],

         [[1., 1., 1.],
          [1., 1., 1.],
          [1., 1., 1.]]]])

上面的输出我专门用一个水平线分开了，这样更明显，上面一部分是一个维度，下面又是一个维度，所以是两个维度，再说的大白话点，就是整个张量，两大行，每大行又分了三行，每行又分了三行，然后又分了三列。

这个最前面的维度2，其实就是batchsize，就相当于这个张量是输入了两张图像，每个图像的大小是3通道，大小3*3。这样就应该比较好理解了。

再附一张图来说明一下：

 希望能够说明白~~让大家更好的理解张量