张量：深度学习的基本数据结构

张量是深度学习中万能的数据容器：标量是 0 维张量，向量是 1 维，矩阵是 2 维，图像是 3 维，一批图像是 4 维。所有深度学习运算都可以归约为张量运算。

张量的哲学很迷人：万物皆数。一张照片、一段语音、一句话，剥开层层包装，最后都是高维空间中的数字排列。毕达哥拉斯说“万物皆数”，两千多年后，AI 把这句话变成了工程实践。

## 核心要点

图片来源：Openverse / morrisonbrett（https://www.flickr.com/photos/22183514@N00/19799056499）

1. 张量把所有数据统一成可并行计算的数字阵列。

2. 张量形状（Shape）的理解是写深度学习代码的基本功。

3. 广播机制让不同形状的张量能直接运算。

4. GPU 之所以快，就是因为它极擅长张量运算。

图片来源：Openverse / krismerri（https://www.flickr.com/photos/9958639@N03/8101147139）

## 写在最后

以上是关于「张量」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。