剛把mnist又過了一遍，突然感覺對tensor的shape有了新的理解，雖然很基礎，還是想分享一下
關於tensor的維度，也就是階啦，從認知上理解，一維就是線（陣列或者向量），二維就是面（矩陣），三維就是體（資料體），四維是資料陣列 等等等等；新的理解是在表現方式上的，也就是列印出的樣子，例如：
[ [1,1,1] [1,1,1] ]
顯然它是二維的，因為一看就是乙個矩陣，那如果 [ ] 多了又怎麼判斷呢，這是個取巧的辦法，看第乙個數字左邊有幾個 [就行了。
當然，還沒進入正題，兩個新的理解：
shape[2,3,4] 怎麼表示咩？
首先有乙個 [ ] （記為一號）闊住所有的量，（所有的tensor最外層都會有乙個[ ]）
[ ]
第乙個引數「2」，表示一號 [ ] 中有2個大部分，（記為二號）
[[ ] [ ]]
第二個引數「3」，表示每個二號 [ ] 中有3個小部分，（記為三號）
[[ ] [ ]]
第三個引數「4」，表示每個三號 [ ] 中有4個資料
舉個例子吧
tensor = tf.constant(1,[2,3,4])
'''
[ [ [1,1,1,1] [1,1,1,1] [1,1,1,1] ]
[ [1,1,1,1] [1,1,1,1] [1,1,1,1] ] ]
'''這樣應該就看的明白了
關於這個例子的思考（shape[2,3,4] 中引數2,3,4究竟表示的是什麼？）
第乙個引數「2」表示在第一維中有2個元素，也就是上面所說的2個二號 [ ] ,
第二個引數「3」表示第二維中有3個元素，也就是上面所說的3個三號 [ ] ,
第三個引數「4」自然也就是表示第三維中有4個元素的意思，也就是上面說的每個三號 [ ] 中有4個資料
再總結一下，第n個引數就表示第n維中含有的元素
關於tensorflow卷積shape的詳細解析
1.幾維就有幾層括號 2.shape 5，2，3，4 代表的意思的意思是234大小的三維矩陣，深度為倆層，五個這樣的三維矩陣，在使用conv2d時，最後形成的矩陣按照這個shape規律形成，但是其shape對應位置的數字所代表的意義被重新賦予，在input中，第乙個位置表示幾個矩陣，第二位置表示矩陣...
Pytorch Tensor和tensor的區別
在pytorch中，tensor和tensor都能用於生成新的張量 a torch.tensor 1 2 a tensor 1 2.a torch.tensor 1 2 a tensor 1 2 首先，我們需要明確一下，torch.tensor 是python類，更明確地說，是預設張量型別torch...
Variable和tensor的計算
變數在torch中是建立乙個計算圖，但是相比較tensorflow和theano中的靜態圖，它是動態的，torch沒有placeholder，torch只能給計算圖傳遞變數 import numpy as np import torch from torch.autograd import vari...