张量是深度学习和科学计算中的核心数据结构，掌握其基本操作对理解模型训练至关重要。以下内容将带你从零开始探索张量的奥秘👇
🧮 基础概念
- 标量（Scalar）：0阶张量，如温度值
30℃ - 向量（Vector）：1阶张量，如
[1, 2, 3] - 矩阵（Matrix）：2阶张量，如
$$ \begin{bmatrix} 1 & 2 \ 3 & 4 \end{bmatrix} $$ - 高阶张量：3阶及以上，如3D图像数据
✂️ 常用操作
- 形状变换：
reshape()/view() - 维度扩展：
unsqueeze()/expand() - 索引与切片：
index_select()/slice() - 广播机制：自动对齐不同形状张量的计算
- 拼接：
cat()/stack()
💻 实战示例（PyTorch）
import torch
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6], [7, 8]])
print(a.matmul(b)) # 矩阵乘法
print(a.sum(dim=1)) # 行求和