- Objective: - Breadcrumb: # 概念阐释 张量（tensor）是数学和物理中的一个概念，广泛应用于线性代数、微分几何、物理学和深度学习等领域。能够表示标量、[[vector 向量]]、矩阵以及更高维度的对象。 **简单来说，张量的概念可以分为以下几个层次：** 1. **标量（0阶张量）**：**只有一个数值**，通常是一个实数或复数。例如，数字5是一个标量。 2. **向量（1阶张量）**：是**一维数组**，包含多个数值。例如，一个3维向量可以表示为 $[1, 2, 3]$ 3. **矩阵（2阶张量）**：是**二维数组**，包含行和列。例如，一个2×2矩阵可以表示为 $ \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$ 4. **更高阶张量**：当张量的维度超过2时，我们称之为高阶张量。例如，一个3阶张量可以看作是一个三维数组，类似于一个立方体结构，用来存储复杂的数据。 张量的维度被称为**阶**，而每一阶代表该张量的维度数。例如： - 0阶张量是标量，没有维度。 - 1阶张量是向量，只有一维。 - 2阶张量是矩阵，有二维（行和列）。 - 3阶及更高阶张量则表示更复杂的多维数据。 在深度学习中，张量是非常重要的，因为它们可以用来表示输入数据、神经网络的权重、激活函数的输出等。深度学习框架（如TensorFlow和PyTorch）使用张量作为基础数据结构，来处理高维数据和执行数学运算。 # 实例 - 深度学习中的向量  - 深度学习中的矩阵  - 深度学习中的张量  # 相关内容 # 参考资料