Tensorflow张量

张量常规解释数组

张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。张量这一术语起源于力学，它最初是用来表示弹性介质中各点应力状态的，后来张量理论发展成为力学和物理学的一个有力的数学工具。张量之因此重要，在于它能够知足一切物理定律必须与坐标系的选择无关的特性。张量概念是矢量概念的推广，矢量是一阶张量。张量是一个可用来表示在一些矢量、标量和其余张量之间的线性关系的多线性函数。函数

Tensorflow中张量的概念工具

在tensorflow程序中全部的数据都经过张量的形式来表示。scala

从功能的角度看，张量能够被理解为多维数组。其中零阶张量表示标量（scalar）也就是一个数；一阶张量为向量，也就是一维数组；n阶张量能够理解为一个n维数组。code

但张量的实现并非直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并无保存数字，它保存的是如何获得这些数字的计算过程。数学

张量的维数来被描述为阶.可是张量的阶和矩阵的阶并非同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.好比，下面的张量（使用Python中list定义的）就是2阶.table

    t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你能够认为一个二阶张量就是咱们日常所说的矩阵，一阶张量能够认为是一个向量.对于一个二阶张量你能够用语句t[i, j]来访问其中的任何元素.而对于三阶张量你能够用't[i, j, k]'来访问其中的任何元素.tensorflow