人工智能必知必會-標量，向量，矩陣，張量

每天五分鐘，解決一個深度學習問題：

讓我們開始本系列的第一個小節： 標量，向量，矩陣，張量。
在整個機器學習中，你需要把數據交給計算機來處理，這就要求你把數據數字化，這樣才能運算。
這就要求你理解什麼是張量？
誒？你的標題不是標量，向量，矩陣，張量嗎？爲啥你只要重點標出張量呢？ok，那你就帶着這樣的疑問開始閱讀吧！

深度學習中的數

在深度學習中的數，可以分爲以下幾類：
標量：2
向量：$\begin{bmatrix} 1 \\ {3} \\ \end{bmatrix}$
矩陣：$\begin{bmatrix} 1 & 0\\ 0 & 1 \\ \end{bmatrix}$
我們爲了更好的記憶，可以把他們做一下物理意義的比較

標量

標量就是直線上的點。

向量

向量就是平面上的一條線。

矩陣

矩陣就是空間中的一個平面基（不知道什麼是基，你就把他理解成是座標系的x軸，y軸就可以了）。

張量

在更高維度的空間中矩陣可以堆疊成一個體。 感覺就是這樣：

這樣是不是比較有感覺，在深度學習中，把他們統稱爲tensor，張量！張量！張量！張量！

標量就是1維度張量，向量是2維張量，平面是3維張量，以此類推可以到更高的維度。

你可以把矩陣想成是向量的堆疊。例如你把向量 $\begin{bmatrix} 1 \\ 2 \\ \end{bmatrix}$ ，$\begin{bmatrix} 2 \\ 4 \\ \end{bmatrix}$ 拼到一起就是矩陣$\begin{bmatrix} 1 & 2 \\ 2 & 4 \\ \end{bmatrix}$。
矩陣由行和列組成，像剛纔的矩陣，行爲2，列爲2，他的形狀就記爲2X2。
記住，要使用tensor，先要搞清楚形狀，這是最重要的。

---

代碼實現

好了，你現在已經知道什麼張量了。
接下來，我們用python的numpy模塊，把標量，向量，矩陣，還有張量表示出來。

---

環境準備

環境準備可以看視頻

#導入模塊
import numpy as np

標量

#標量,這個沒啥要解釋的。
a = 1
a

輸出：

1

向量

#向量
v1 = np.array([1,3])
print("v1:",v1)
#注意觀察向量的形狀
print("v1 shape:", v1.shape)

輸出：

v1: [1 3]
v1 shape: (2,)

矩陣

#矩陣,看起來就是python中的list套list
m1 = np.array([[1,0],[0,1]])
print("m1:", m1)
print("m1 shape:", m1.shape)

輸出：

m1: [[1 0]
 [0 1]]
m1 shape: (2, 2)

張量

#矩陣,看起來就是python中的list套list
t1 = np.array([[[1,0],[0,1]],[[1,0],[0,1]]])
print("t1:", t1)
print("t1 shape:", t1.shape)

輸出：

t1: [[[1 0]
     [0 1]]

 [[1 0]
  [0 1]]]
t1 shape: (2, 2, 2)

---

恭喜你掌握了人工智能入門的第一個知識點。

如果你感覺很有趣，請點贊，關注，轉發！謝謝！