【深入浅出pytorch-task1】-张量和n维数组的区别？

今天的task是关于pytorch环境的配置以及 基础知识学习

环境已经在之前配置好啦，今天来复习一遍pytorch的基础知识

在学习过程中，主要是对张量这边有点小疑问，索性来做一下记录

张量

张量是pytorch的基本数据类型，这就跟series和dataframe是pandas的基本数据类型一样，我们把数据放到张量tensor上，通过tensor的承载功能，带着我们的数据进入各种各样的网络中进行运算，通过理解tensor，我们能更加深入理解神经网络运算的本质

疑问：有n维数组就可以表示了，为什么pytorch要专门定义一个tensor张量呢？

我简单查阅了一下资料，张量这个词并不是由pytorch造出来的，张量是广义相对论的数学基础，在pytorch中，张量可以表示为多维数组

例如，一张图片的长和宽，视为两个维度，它的rgb，视为第三维度，那么假如我们有很多张图片呢？这时候图片的数量就可以视为第四维度啦，显然张量能够用于表示更多的维度，其本质上是方便计算

物理上区分数组和张量（辅助理解）

看了网络上一些文章的理解，总结一下就是，多维数组仅仅是一堆数字，是为了方便计算，使用张量

可以说，多维数组只是张量的表示形式，我们描述张量时，就可以用多维数组来解释，多维数组能够让我们更好的理解张量，但是并不能完全代表张量

更通俗一些的理解就是，我们知道三维数组可以表示为一个空间，那么四维数组叫什么呢，以上，不如给它叫做张量，这样就好比我们在描述空间的时候，我们不会叫它“这个三维有点大”。

但是上述理解不是说空间是三维数组的名字，相反，三维数组只是空间的一个表述而已，在现实中，空间是真实的，我们仅仅在数学中对空间进行运算时，才引入三维数组对空间进行表示。同理，tensor也是对物理上多维空间的一个表示，我们可以用张量来表示一个三维以上的东西（暂时不知道是不是叫作空间）

功能上区分数组和张量

既然n维数组可以表示n维张量，那么为什么我们不用n维数组，而是要用tensor呢，这里有一个功能上差别的解释，在pytorch里面，tensor可以很方便的丢到GPU进行加速运算，还可以进行自动求导，而数组要丢到GPU的话，还需要使用cuda，比较麻烦，tensor是已经封装好的数据类型，所以非常方便计算

总结一下

tensor的本质是在pytorch中方便计算高维数据，定义一个专门用于计算和求导并且适用GPU的数据类型从而应用于神经网络方面的计算。

以上是我看过一些文章后的总结以及一些理解，如果有不对的地方请及时指正，对于入门阶段的理解至关重要。