目录

标量-向量-矩阵-张量

在深度学习中,在TensorFlow、PaddlePaddle等框架中经常提到tensor,tensor就是张量的意思。

张量是矩阵的扩展与延伸。

标量 向量 矩阵 3阶张量 n阶张量
只有大小 有大小和方向 由行列两个向量组成 由行列高三个向量组成 由N个互相垂直的向量组成
一维空间 二维空间 三维空间 N维空间

张量

Tensor的对象有三个属性:

(1)rank:number of dimensions

(2)shape: number of rows and columns

(3)type: data type of tensor’s elements

结合其属性就很好理解张量了,参考例子:

3 # a rank 0 tensor; this is a scalar with shape []
[1. ,2., 3.] # a rank 1 tensor; this is a vector with shape [3]
[[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]
[[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3] 常说的张量就是3阶张量

张量的阶数有时候也称为维度,或者轴。譬如一个矩阵[[1,2],[3,4]],是一个2阶张量,有两个维度或轴,沿着第0个轴(为了与python的计数方式一致)你看到的是[1,2],[3,4]两个向量,沿着第1个轴你看到的是[1,3],[2,4]两个向量。

下面的代码可以帮助理解张量tensor“沿着某个轴”是什么意思

import numpy as np
a = np.array([[1,2],[3,4]]) 
sum0 = np.sum(a, axis=0) 
sum1 = np.sum(a, axis=1)
print(a)
print(sum0) 
print(sum1) 

小结

在深度学习中,Tensor实际上就是一个多维数组(multidimensional array),其目的能够创造更高维度的矩阵、向量

在计算机视觉中,彩色图片就是用3阶张量描述的。黑白图片可以用矩阵描述,加上高度维度描述RGB后就可以描述彩色图片了。


本文收藏来自互联网,仅用于学习研究,著作权归原作者所有,如有侵权请联系删除

markdown @TsingChan

部分引用格式为收藏注解,比如本句就是注解,非作者原文。