大家好！今天我們來聊聊張量（Tensor）。別被這個詞嚇到，其實它沒那么復雜。
什么是張量？
簡單來說，張量就是一個多維數組。你可以把它看作是一個裝數據的容器，數據的維度可以是一維、二維，甚至更高。
-
標量（0維張量）：就是一個單獨的數字，比如?
3。 -
向量（1維張量）：一串數字，比如?
[1, 2, 3]。 -
矩陣（2維張量）：一個表格，比如?
[[1, 2], [3, 4]]。 -
更高維張量：比如?
[[[1, 2], [3, 4]], [[5, 6], [7, 8]]]，這就是一個3維張量。
張量在計算機科學中的應用
張量在計算機科學中非常有用，尤其是在機器學習和深度學習領域。下面舉幾個例子：
-
圖像處理：
一張彩色圖片可以看作是一個3維張量。比如，一張 256x256 的 RGB 圖片，可以表示為一個?256x256x3?的張量，其中?256x256?是圖片的寬高，3?代表紅、綠、藍三個顏色通道。 -
自然語言處理：
在文本處理中，單詞可以表示為向量（1維張量），而一句話則可以表示為矩陣（2維張量）。比如，句子 "I love AI" 可以表示為一個?3xN?的矩陣，其中?3?是單詞數量，N?是每個單詞的向量維度。 -
神經網絡：
在深度學習中，神經網絡的輸入、輸出和中間結果通常都是張量。比如，輸入一張圖片，經過多層神經網絡處理后，輸出可能是一個表示分類結果的向量。
python演示張量
張量其實就是多維數組，用來表示各種數據。在計算機科學中，尤其是機器學習和深度學習中，張量是處理數據的基礎工具。
import numpy as np
import matplotlib.pyplot as plt# 創建一個標量（0維張量）
scalar = np.array(42)
print("Scalar (0D Tensor):", scalar)# 創建一個向量（1維張量）
vector = np.array([1, 2, 3, 4, 5])
print("Vector (1D Tensor):", vector)# 創建一個矩陣（2維張量）
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("Matrix (2D Tensor):")
print(matrix)# 創建一個3D張量
tensor_3d = np.random.rand(3, 3, 3)
print("3D Tensor shape:", tensor_3d.shape)# 可視化矩陣
plt.figure(figsize=(6, 6))
plt.imshow(matrix, cmap='viridis')
plt.colorbar()
plt.title('2D Tensor Visualization')
plt.show()# 可視化3D張量的一個切片
plt.figure(figsize=(6, 6))
plt.imshow(tensor_3d[0], cmap='viridis')
plt.colorbar()
plt.title('Slice of 3D Tensor Visualization')
plt.show()
