tensor 张量的理解与基本处理 tensorflow版

目录

张量维度的理解

---

张量的基本定义与理解

张量维度的理解

1 n阶张量
Tensor张量，在数学中实际上是高维数组，

0阶张量：标量  ；

1阶张量：向量，

2阶张量：矩阵，

3阶张量：数组，
 具体来说，就是：

---

张量维度的物理意义

时间序列：3阶向量
尽管有时候时间序列数据看起来像是2阶张量，当你将这些数据的特征以时间为横截面观测时，它们就是3阶张量（包括特征、样本）。

 
3阶张量

 4阶张量：图片数据
单张图片可以看作3阶张量（RGB、高度、宽度），加上样本数，则为4阶张量。

---

创建tensor

 

 

 

---

Tensor和numpy的区别

Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。 但它们也不相同，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。

 

原文链接：https://blog.csdn.net/Nicolelovesmath/article/details/88903470