深度学习——什么是张量（tensor）？
1.定义：存放数值数据的容器，一种机器学习系统下的基本数据结构。2.轴（axis）：也叫阶（rank），也叫张量的维度。例如矩阵是二维张量，其有两个轴。3.张量的分类：1）标量（0D张量）：numpy数组中只有1个数，轴的个数即为02）向量（1D张量）：轴的个数只有1个，但该轴上的数据个数有若干。重大区别：5D向量的5：表示某个轴上的元素个数（也叫5D向量的维度）5D张量的5：表示轴的个数（也叫5
1.定义：
存放数值数据的容器，一种机器学习系统下的基本数据结构。
2.轴（axis）：
也叫阶（rank），也叫张量的维度。例如矩阵是二维张量，其有两个轴。
3.张量的分类：
1）标量（0D张量）：numpy数组中只有1个数，轴的个数即为0
2）向量（1D张量）：轴的个数只有1个，但该轴上的数据个数有若干。
重大区别：
5D向量的5：表示某个轴上的元素个数（也叫5D向量的维度）
5D张量的5：表示轴的个数（也叫5D张量的维度）
3）矩阵（2D张量）：矩阵有两个轴，行轴和列轴。行轴的大小，就是行数；列轴的大小，就是列数。
（注意，此行轴列轴大小，不像向量中的轴大小，就是真实数据个数。不过，行轴大小也表示了矩阵每列的数据个数，而列轴大小也表示了矩阵每行数据的个数，两者的乘积也代表矩阵所包含的数据总个数）
4）3D张量：形状为（samples, timesteps, features），即由样本数，时间点，特征值三个维度构成。
5）4D张量：形状为（samples, height, width, channels），即由图片数，每张图片高，每张图片宽，RGB三通道 四个维度构成。
6）5D张量：形状为（samples, frames, height, width, channels），即由视频数，帧数（图片数），每张图片高，每张图片宽，RGB三通道 五个维度构成。
4.总结：
张量由“张量的维度"和"各个轴的维度"两方面进行确定
权威｜前沿｜技术｜干货｜国内首个API全生命周期开发者社区
更多推荐
2
0- 0
已为社区贡献1条内容
所有评论(0)