在深度学习和数值计算中，张量（tensor）是一个多维数组的数学对象，用于表示数据。张量可以被视为标量、向量和矩阵的推广。
-
标量：零维张量，即一个单一的数值。
-
向量 ：一维张量，即一个数值的序列，例如
[1, 2, 3]。 -
矩阵：二维张量，即一个数值的二维表格，比如一个由行和列组成的数组，例如： [ \begin{bmatrix} 1 & 2 & 3 \ 4 & 5 & 6 \end{bmatrix} ]
-
更高维度的张量：例如，三维张量可以看作是一组矩阵的集合，四维张量则可以看作是一组三维张量的集合，以此类推。
在深度学习中，张量被广泛用于表示输入数据、输出结果和参数。以下是一些示例：
-
输入数据：在图像处理中，一个彩色图像可以表示为一个三维张量，维度分别是高度、宽度和颜色通道（红色、绿色、蓝色），如 ( (高度 \times 宽度 \times 3) )。
-
模型参数：神经网络的权重和偏置也通常用张量表示，允许在不同层之间传递和更新。
-
输出数据：神经网络的输出通常也是张量，例如分类问题的输出可以是一个一维张量，其中每个元素代表一个类别的预测概率。
在深度学习框架（如 TensorFlow 和 PyTorch）中，张量是基本的数据结构，框架中的许多操作（如矩阵乘法、求和等）都是以张量为输入和输出的。
总之，张量为深度学习提供了一种灵活、高效的方式来表示和操作多维数据，使得各种计算和模型构建可以在高维空间中进行。