當前所有機器學習系統都使用張量作為基本資料結構。張量對這個領域非常重要，重要到 google 的 tensorflow 都是以它來命名的。那麼什麼是張量？
標量（英語：scalar），又稱純量，是只有大小、沒有方向、可用實數表示的乙個量。實際上標量就是實數，「標量」這個稱法只是為了區別於向量。標量可以是負數，例如溫度低於冰點。與之相對，向量（又稱向量）既有大小，又有方向。與此相對的向量，其分量在不同的座標系中有不同的值，例如速度。標量可被用作定義向量空間。僅包含乙個數字的張量叫作標量（scalar，也叫標量張量、零維張量、0d張量）。在numpy中，乙個 float32 或 float64 的數字就是乙個標量張量（或標量陣列）。標量張量有0個軸（ndim == 0）。張量軸的個數也叫作階（rank）。——維基百科
下面是乙個 numpy 標量：
>>
>
import numpy as np
>>
> x = np.array(9)
>>
> x
array(9)
>>
> x.ndim
0
向量（英語：euclidean vector，物理、工程等也稱作向量、歐幾里得向量）是數學、物理學和工程科學等多個自然科學中的基本概念。指乙個同時具有大小和方向，且滿足平行四邊形法則的幾何物件。理論數學中向量的定義為任何在向量空間中的元素。數字組成的陣列叫作向量（vector）或一維張量（1d張量）。一維張量只有乙個軸。
下面是乙個numpy向量：
>>
> y = np.array([12
,5,4
,11,9
])>>
> y
array([12
,5,4
,11,9
])>>
> y.ndim
1
5d向量只有乙個軸，沿著軸有5個維度；而5d張量有5個軸（沿著每個軸可能有任意個維度）。
維度（dimensionality）可以表示沿著某個軸上的元素個數（比如5d向量）；
階數（order）可以表示張量軸的個數。
向量組成的陣列叫作矩陣（matrix）或二維張量（2d張量），矩陣有2個軸（通常叫作行和列）。
我們可以將矩陣直觀地理解為數字組成的矩形網格。
下面是乙個numpy矩陣：
>>
> z = np.array([[
1,2,
3],[
4,5,
6],[
7,8,
9]])
>>
> z
array([[
1,2,
3],[
4,5,
6],[
7,8,
9]])
>>
> z.ndim
2
在上面的例子中，[1, 2, 3] 是x的第一行，[1, 4, 7]是第一列。
將多個矩陣組合成乙個新的陣列，就可以得到乙個3d張量，我們可以理解為由數字組成的立方體。
下面是乙個numpy的3d張量：
>>
> s = np.array([[
[1,2
,3],
[4,5
,6],
[7,8
,9]]
,[[1
,2,3
],[4
,5,6
],[7
,8,9
]],[
[1,2
,3],
[4,5
,6],
[7,8
,9]]
])>>
> s
array([[
[1,2
,3],
[4,5
,6],
[7,8
,9]]
,[[1
,2,3
],[4
,5,6
],[7
,8,9
]],[
[1,2
,3],
[4,5
,6],
[7,8
,9]]
])>>
> s.ndim
3
張量是由以下三個關鍵屬性來定義的。
神經網路的資料表示
深度學習中的資料儲存在多維numpy陣列中，也叫張量 tensor 一般來說，當前所有機器學習系統都使用張量作為基本的資料結構。張量對這個領域非常重要，重要到google 的tensorflow 都以它來命名。那麼什麼是張量？張量這一概念的核心在於，它是乙個資料容器。它包含的資料幾乎總是數值資料，因...
神經網路的資料表示 張量 Tensor
張量 tensor 是乙個資料容器，它所包含的一般是數值資料。下面是張量中的一些名詞 import numpy as np x np.array 12 x array 12 x.ndim 0 x np.array 12 3,6 14,7 x array 12 3,6 14,7 x.ndim 1這個向...
keras入門 神經網路的資料表示
資料儲存在多維 numpy 陣列中，也叫張量 tensor 一般來說，當前所 有機器學習系統都使用張量作為基本資料結構。張量這一概念的核心在於，它是乙個資料容器。它包含的資料幾乎總是數值資料，因此它 是數字的容器。你可能對矩陣很熟悉，它是二維張量。張量是矩陣向任意維度的推廣 注意，張量的維度 dim...