张量是深度学习与机器学习的核心概念，可视为多维数组的泛化形式。以下是关键知识点：
1. 张量的定义🧾
标量（0维）：单一数值，如温度值
50°C向量（1维）：一维数组，如
[1, 2, 3]矩阵（2维）：二维数组，如 [[1,2],[3,4]]
高维张量：3维及以上数组，常用于图像、视频等数据处理
2. 常见操作🔧
| 操作类型 | 示例 | 描述 |
|---|---|---|
| 形状调整 | reshape(tensor, (2,3)) |
改变张量维度 |
| 索引访问 | tensor[0,1] |
获取特定元素 |
| 数学运算 | add(tensor1, tensor2) |
张量相加 |
3. 实际应用🌐
神经网络：输入、权重、输出均为张量形式
图像处理：一张RGB图像可表示为
(height, width, 3)的张量自然语言处理：文本数据常转换为词嵌入张量
4. 学习路径推荐📚
- 📌 张量在PyTorch中的实践
- 📌 深度学习数学基础
- 📌 高级张量操作
💡 张量是理解现代AI框架（如TensorFlow、PyTorch）的基石，建议结合代码实践加深理解。