大数据文摘作品，转载要求见文末

　　编译 | 邵胖胖，江凡，笪洁琼，Aileen

　　也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。也许你在NASA教程中看到它，仍然不知道它在说些什么？问题在于大多数讲述张量的指南，都假设你已经掌握他们描述数学的所有术语。

　　别担心！

　　我像小孩子一样讨厌数学，所以如果我能明白，你也可以!我们只需要用简单的措辞来解释这一切。所以，张量(Tensor)是什么，而且为什么会流动(Flow)？

　　目录

0维张量/标量

　　标量是一个数字

1维张量/向量

　　1维张量称为“向量”。

2维张量

　　2维张量称为矩阵

3维张量

公用数据存储在张量

时间序列数据

股价

文本数据

图片

彩色图片

5D张量

结论

　　让我们先来看看tensor（张量）是什么？

　　张量=容器

　　张量是现代机器学习的基础。它的核心是一个数据容器，多数情况下，它包含数字，有时候它也包含字符串，但这种情况比较少。因此把它想象成一个数字的水桶。

　　张量有多种形式，首先让我们来看最基本的形式，你会在深度学习中偶然遇到，它们在0维到5维之间。我们可以把张量的各种类型看作这样(对被题目中的猫咪吸引进来小伙伴说一句，不要急！猫咪在后面会出现哦！)：

　　0维张量/标量

　　装在张量/容器水桶中的每个数字称为“标量”。

　　标量是一个数字。

　　你会问为什么不干脆叫它们一个数字呢？

　　我不知道，也许数学家只是喜欢听起来酷？标量听起来确实比数字酷。

　　实际上，你可以使用一个数字的张量，我们称为0维张量，也就是一个只有0维的张量。它仅仅只是带有一个数字的水桶。想象水桶里只有一滴水，那就是一个0维张量。

　　本教程中，我将使用Python，Keras，TensorFlow和Python库Numpy。在Python中，张量通常存储在Nunpy数组，Numpy是在大部分的AI框架中，一个使用频率非常高的用于科学计算的数据包。

　　你将在Kaggle（数据科学竞赛网站）上经常看到Jupyter Notebooks（安装见文末阅读链接，“数学烂也要学AI：带你造一个经济试用版AI终极必杀器”）关于把数据转变成Numpy数组。Jupyter notebooks本质上是由工作代码标记嵌入。可以认为它把解释和程序融为一体。

　　我们为什么想把数据转换为Numpy数组？

　　很简单。因为我们需要把所有的输入数据，如字符串文本，图像，股票价格，或者视频，转变为一个统一得标准，开奖，以便能够容易的处理。

　　这样我们把数据转变成数字的水桶，我们就能用TensorFlow处理。

　　它仅仅是组织数据成为可用的格式。在网页程序中，你也许通过XML表示，所以你可以定义它们的特征并快速操作。同样，在深度学习中，我们使用张量水桶作为基本的乐高积木。

　　1维张量/向量

　　如果你是名程序员，那么你已经了解，直播，类似于1维张量：数组。

　　每个编程语言都有数组，它只是单列或者单行的一组数据块。在深度学习中称为1维张量。张量是根据一共具有多少坐标轴来定义。1维张量只有一个坐标轴。

　　1维张量称为“向量”。

　　我们可以把向量视为一个单列或者单行的数字。

　　如果想在Numpy得出此结果，按照如下方法：

　　我们可以通过NumPy’s ndim函数，查看张量具有多个坐标轴。我们可以尝试1维张量。

　　2维张量

　　你可能已经知道了另一种形式的张量，矩阵——2维张量称为矩阵

　　不，这不是基努·里维斯(Keanu Reeves)的电影《黑客帝国》，想象一个excel表格。

　　我们可以把它看作为一个带有行和列的数字网格。

　　这个行和列表示两个坐标轴，一个矩阵是二维张量，意思是有两维，也就是有两个坐标轴的张量。

　　在Numpy中，我们可以如下表示：

　　x = np.array([[5,10,15,30,25],

　　[20,30,65,70,90],

　　[7,80,95,20,30]])

　　我们可以把人的特征存储在一个二维张量。有一个典型的例子是邮件列表。

　　比如我们有10000人，我们有每个人的如下特性和特征：

First Name（名）

Last Name（姓）

Street Address（街道地址）

City（城市）

State（州/省）

Country（国家）

Zip（邮政编码）

　　这意味着我们有10000人的七个特征。