人工智能必知必会-标量，向量，矩阵，张量

前文导读：人工智能必知必会-前言

在深度学习中的数，可以分为以下几类： 

标量：2

向量：$\begin{bmatrix} 1 \\ 3 \\ \end{bmatrix}$

矩阵：$\begin{bmatrix} 1 & 2 \\ 3 & 4 \\ \end{bmatrix}$

我们为了更好的记忆，可以把他们做一下物理意义的比较：

1. 标量就是一维上的点。
2. 向量就是平面上的一条线。
3. 矩阵就是空间中的一个平面。
4. 在更高维度的空间中矩阵可以堆叠成一个体。

这样是不是比较有感觉，在深度学习中，把他们统称为tensor，张量。

标量就是1维度张量，向量是2维张量，平面是3维张量，以此类推可以到更高的维度。

你可以把矩阵想成是向量的堆叠。例如你把向量$\begin{bmatrix} 1 \\ 3 \\ \end{bmatrix}$ ，$\begin{bmatrix} 2 \\ 4 \\ \end{bmatrix}$ 拼到一起就是矩阵$\begin{bmatrix} 1 & 2 \\ 3 & 4 \\ \end{bmatrix}$ 。 

矩阵由行和列组成，像刚才的矩阵，行为2，列为2，他的形状就记为2X2。 

记住，要使用tensor，先要搞清楚形状，这是最重要的！