如何理解张量tensor

1 关于张量的四种定义

“张量”在不同的运用场景下有不同的定义。

 

第一个定义，张量是多维数组，这个定义常见于各种人工智能软件。听起来还好理解。--本文仅解释此种

 

2 多维数组

从第一个定义：张量是多维数组开始。

 

现在机器学习很火，知名开源框架tensor-flow是这么定义tensor（张量）的：

A tensor is a generalization of vectors and matrices to potentially higher dimensions

也就是说，张量（tensor）是多维数组，目的是把向量、矩阵推向更高的维度。

更具体点，也即是说：

 

 

把三维张量画成一个立方体：

 

我们就可以进一步画出更高维的张量：

 

从数据结构上来看，张量就是多维数组。

 

这个定义本身没有错，但是没有真正反映张量的核心，但在机器学习中这样理解足够了

 

针对此理解，可参考：TensorFlow 基本使用   https://blog.csdn.net/goodshot/article/details/79677844 

 

python 中 np.sum()函数 通俗易懂理解！（在tf中，sum跟np.num()使用axis方式相同了）

https://blog.csdn.net/goodshot/article/details/79506812