Tensor 是深度学习中一个非常重要的概念，它代表了多维数组，可以用来存储和处理数据。下面将介绍 Tensor 的基本概念和用途。

基本概念

Tensor 是一种多维数组，可以用来表示各种数据。在深度学习中，Tensor 通常用来表示输入数据、权重、偏置等。

  • 标量（Scalar）：一维的 Tensor，例如一个数字。
  • 向量（Vector）：一维的 Tensor，例如一个数组 [1, 2, 3]。
  • 矩阵（Matrix）：二维的 Tensor，例如一个二维数组 [[1, 2], [3, 4]]。
  • 多维 Tensor：三维及以上维度的 Tensor。

用途

Tensor 在深度学习中有多种用途，以下是一些常见的例子：

  • 存储数据：Tensor 可以用来存储输入数据、标签等。
  • 计算梯度：在反向传播过程中，Tensor 用来计算梯度。
  • 表示模型：Tensor 可以用来表示深度学习模型中的权重、偏置等。

示例

以下是一个简单的示例，展示了如何使用 Tensor 来存储和计算数据：

import numpy as np


tensor = np.array([[1, 2], [3, 4]])

# 计算矩阵乘法
result = np.dot(tensor, tensor.T)

print(result)

扩展阅读

如果你对 Tensor 有更深入的了解需求，可以参考以下链接：

希望这些内容能帮助你更好地理解 Tensor 的概念和用途。🤔

Tensor