张量Tensor [机器学习的数学基础]

1、张量是什么

  当前的机器学习模型基本都使用张量（Tensor）作为基本的数据结构，与数组和矩阵非常相似。在PyTorch中，我们使用张量来编码一个模型的输入和输出，以及模型的参数。
  张量（Tensor）与NumPy的ndarrays类似，但是张量可以在GPU或其他硬件加速器上运行。事实上，张量和NumPy数组通常可以共享相同的底层内存（应该是属于引用拷贝），不需要复制数据，直接使用torch.from_numpy()转换即可。

2、张量的属性

1. 轴（阶）：向量有1个轴，矩阵有2个轴，3D张量有3个轴。在NumPy里用ndarray的ndim属性表示。
2. 形状：这是一个整数元组，在Python中通常用shape属性表示张量沿着每个轴的维度大小（元素个数）。例如，矩阵的形状可表示为（2，6）；3D张量的形状可表示为（40，2，6）；向量为（6，），而标量的形状为空，即（）。
3. 数据类型：张量中包含的数据类型，在Python中通常用dtype属性表示（float64、float32…）。

3、常见的几种数据张量

  通常来说，深度学习中所有数据张量的第一个轴（0轴）都是样本轴（也称样本维度）。由于深度学习通常不会同时处理整个数据集，而是会将数据拆分成小批量进行输入训练。对于这种批量张量（batch tensor），第一个轴叫作批量轴（batch axis）或批量维度。

序号	数据类型	张量类型	形状
1	向量数据	2D张量	（samples，feature）
2	时间序列数据或序列数据	3D张量	（samples，timesteps，feature）
3	图像	4D张量	（samples，height，width，channels）or（samples，channels，height，width）
4	视频	5D张量	（samples，frames，height，width，channels）or（samples，frames，channels，height，width）

  接下来，一起看一下 python深度学习（第二版） 提供的例子，以上内容也均参考总结自此书：

3.1 向量数据

3.2 时间序列数据或序列数据

3.3 图像

  图像通常具有三个维度：高度、宽度和颜色深度。虽然灰度图像（比如MNIST 数字图像）只有一个颜色通道，因此可以保存在2D张量中。但按照惯例，图像张量始终都是3D张量，灰度图像的彩色通道只有一维。因此，如果图像大小为 $256\times 256$，那么512张灰度图像组成的批量可以保存在一个形状为（512，256，256，1）的张量中，而相同数量的彩色图像可以保存在一个形状为（512，256，256，3）的张量中。
  图像张量的形状有两种约定：

1. 通道在后（channels-last）的约定：Google的TensorFlow机器学习框架将颜色深度轴放在最后（samples，height，width，color_depth）。
2. 通道在前（channels-first）的约定：与1相反，Theano框架将图像深度轴放在批量轴之后(samples，color_depth，height，width)。如果采用Theano约定，前面的两个例子将变成（512，1，256，256）和（512，3，256，256）。

  值得注意的是，Keras框架同时支持这两种格式。

3.4 视频

侵删！如有错误还请指正，不定期更新，觉得不错的话请给个赞吧~