理解张量，并将张量与线性代数的知识连接起来，我认为最重要的是理解 tensor 的两个属性：shape 和 ndim 。 ndim 表示张量的维度，一维张量的 ndim 值为 1，二维张量的 ndim 值为 2。 shape 表示张量的形状，它的值是一个列表，列表元素个数与张量的维度相等 ...

标量：只有大小，没有方向 向量：有大小，有方向 在选定了x,y,z坐标轴之后，我们可以用(7,5,6)表示图中的向量。 那么，什么是张量那？ 我们用物理中的一个概念引入张量的概念。 假设我们有一个空心的立方体，立方体中充满着气体，我们通过Force=Stress*Area 可以求得立方体 ...

如果一个张量有很多为0的值，那么这个张量被称为稀疏张量。 让我们来看这样的一个一维的稀疏张量 同一个张量的稀疏表示只关注非零值 同时我们也必须通过索引记住非零值出现的位置。 有了值和索引，然而信息还不够充分，该张量有多少个零？因此我们要记住该张量 ...

自己通过网上查询的有关张量的解释，稍作整理。 TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通. 阶 在TensorFlow系统中，张量的维数来被描述为阶.但是张量 ...

张量是一棵树 长久以来，张量和其中维度的概念把我搞的晕头转向。 一维的张量是数组，二维的张量是矩阵，这也很有道理。 但是给一个二维张量，让我算出它每一行的和，应该用 sum(dim=0) 还是 sum(dim=1)? 这个问题还得让我想个一会儿。 更别说四维的张量是什么，一百维的张量又是 ...

1 关于张量的四种定义 “张量”在不同的运用场景下有不同的定义。 第一个定义，张量是多维数组，这个定义常见于各种人工智能软件。听起来还好理解。--本文仅解释此种 2 多维数组 从第一个定义：张量是多维数组开始。 现在机器学习很火，知名开源框架tensor-flow ...

张量==容器 张量是现代机器学习的基础，他的核心是一个容器，多数情况下，它包含数字，因此可以将它看成一个数字的水桶。 张量有很多中形式，首先让我们来看最基本的形式。从0维到5维的形式 0维张量/标量：装在水桶中的每个数字称为“标量”。标量就是一个数字。 1维张量/标量：数组，一维张量 ...