首先，推特有140个字的限制。其次，推特使用UTF-8编码标准，这种编码标准能表示百万种字符，但实际上我们只对前128个字符感兴趣，因为他们与ASCII码相同。所以，一篇推特文可以包装成一个2D向量：

　　（140,128）

　　如果我们下载了一百万篇川普哥的推文（印象中他一周就能推这么多），我们就会用3D张量来存：

　　(number_of_tweets_captured, tweet, character)

　　这意味着，我们的川普推文集合看起来会是这样：

　　(1000000,140,128)

　　图片

　　4D张量很适合用来存诸如JPEG这样的图片文件。之前我们提到过，一张图片有三个参数：高度、宽度和颜色深度。一张图片是3D张量，一个图片集则是4D，第四维是样本大小。

　　著名的MNIST数据集是一个手写的数字序列，作为一个图像识别问题，曾在几十年间困扰许多数据科学家。现在，计算机能以99%或更高的准确率解决这个问题。即便如此，这个数据集仍可以当做一个优秀的校验基准，用来测试新的机器学习算法应用，或是用来自己做实验。

　　Keras 甚至能用以下语句帮助我们自动导入MNIST数据集：

　　from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

　　这个数据集被分成两个部分：训练集和测试集。数据集中的每张图片都有一个标签。这个标签写有正确的读数，例如3,7或是9，这些标签都是通过人工判断并填写的。

　　训练集是用来训练神经网络学习算法，测试集则用来校验这个学习算法。

　　MNIST图片是黑白的，这意味着它们可以用2D张量来编码，但我们习惯于将所有的图片用3D张量来编码，多出来的第三个维度代表了图片的颜色深度。

　　MNIST数据集有60,000张图片，它们都是28 x 28像素，它们的颜色深度为1，即只有灰度。

　　TensorFlow这样存储图片数据：

　　(sample_size, height, width, color_depth).

　　于是我们可以认为，MNIST数据集的4D张量是这样的：

　　(60000,28,28,1)

　　彩色图片

　　彩色图片有不同的颜色深度，这取决于它们的色彩（注：跟分辨率没有关系）编码。一张典型的JPG图片使用RGB编码，于是它的颜色深度为3，分别代表红、绿、蓝。

　　这是一张我美丽无边的猫咪（Dove）的照片，750 x750像素，这意味着我们能用一个3D张量来表示它：

　　(750,750,3)

　　My beautiful cat Dove (750 x 750 pixels)

　　这样，我可爱的Dove将被简化为一串冷冰冰的数字，就好像它变形或流动起来了。

　　然后，如果我们有一大堆不同类型的猫咪图片（虽然都没有Dove美），也许是100,000张吧，不是DOVE它的，750 x750像素的。我们可以在Keras中用4D张量来这样定义：

　　(10000,750,750,3)

　　5D张量

　　5D张量可以用来存储视频数据。TensorFlow中，视频数据将如此编码：

　　（sample_size, frames, width, height, color_depth)

　　如果我们考察一段5分钟（300秒），1080pHD（1920 x 1080像素），每秒15帧（总共4500帧），颜色深度为3的视频，我们可以用4D张量来存储它：

　　(4500,1920,1080,3)

　　当我们有多段视频的时候，张量中的第五个维度将被使用。如果我们有10段这样的视频，我们将得到一个5D张量：

　　(10,4500,1920,1080,3)

　　实际上这个例子太疯狂了！

　　这个张量的大是很荒谬的，超过1TB。我们姑且考虑下这个例子以便说明一个问题：在现实世界中，我们有时需要尽可能的缩小样本数据以方便的进行处理计算，除非你有无尽的时间。

　　这个5D张量中值的数量为：

　　10 x 4500 x 1920 x 1080 x 3 = 279,936,000,000

　　在Keras中，我们可以用一个叫dype的数据类型来存储32bits或64bits的浮点数

　　我们5D张量中的每一个值都将用32 bit来存储，现在，我们以TB为单位来进行转换：

　　279,936,000,000 x 32 = 8,957,952,000,000

　　这还只是保守估计，或许用32bit来储存根本就不够（谁来计算一下如果用64bit来存储会怎样），所以，减小你的样本吧朋友。