【学习笔记】【Pytorch】Tensor（张量）、CNN的输入张量和特征图
【学习笔记】【Pytorch】Tensor（张量）是什么？
- 什么是张量？
什么是张量？
参考：
- 什么是张量？
- 张量解释——深度学习的数据结构
- 深度学习中关于张量的阶、轴和形状的解释 | Pytorch系列
总结：
- 我们通常需要处理的数据有零维的（单纯的一个数字）、一维的（数组）、二维的（矩阵）、三维的（空间矩阵）、还有很多维的。Pytorch为了把这些各种维统一起来，所以起名叫张量。张量是多维数组或者简称n维数组。
- 标量视为零阶张量，矢量视为一阶张量，二维数组矩阵视为二阶张量。多一个维度，我们就多加一个[]。例如三维张量，torch.tensor([[[9,1,8],[6,7,5],[3,4,2]],[[2,9,1],[8,6,7],[5,3,4]],[[1,5,9],[7,2,6],[4,8,3]]])。张量也可以通过索引访问元素。阶（rank）数= 维数。
- 张量的阶（Rank）、轴（Axis）和形状（Shape）。
- PyTorch中的Tensor支持超过一百种操作，包括转置、索引、切片、数学运算（加法、减法、点乘…）、线性代数、随机数等等，总之，凡是你能想到的操作，在pytorch里都有对应的方法去完成。PyTorch学习笔记(二)：Tensor操作。