张量基本概念
張量是一種表示物理量的方式，這個方式就是用基向量與分量組合表示物理量（Combinationof basis vector and component）。
由于基向量可以有豐富的組合，張量可以表示非常豐富的物理量。此外，張量所描述的物理量是不隨觀察者或者說參照系而變化的，當(dāng)參照系變化時（其實就是基向量變化），其分量也會相應(yīng)變化，最后結(jié)果就是基向量與分量的組合（也就是張量）保持不變。這一點對于我們構(gòu)造數(shù)據(jù)對象，進(jìn)而展開分析建模，有著至關(guān)重要的意義。
回顧過去我們對“量”的認(rèn)識過程，我們都懂得用“一個數(shù)”來表示數(shù)量（標(biāo)量），用“一個數(shù)組”（列矩陣或行矩陣）來表示一個向量，這都屬于代數(shù)手法。如果采用幾何手法，標(biāo)量中的實數(shù)可以表示為一維坐標(biāo)系（如數(shù)軸）上的一個點，復(fù)數(shù)可以表示為二維坐標(biāo)系（如復(fù)平面）上的一個點。向量通常可以表示為二維、三維或更高維坐標(biāo)系中的一個空間點或有向線段。如果我們把代數(shù)手法和幾何手法結(jié)合起來即采用解析幾何的手法，向量又可以表示為某種坐標(biāo)基向量和坐標(biāo)分量的線性組合。
那么現(xiàn)在，我們接觸的張量該如何表示呢？讓我們逐“階”而上，看看張量的數(shù)據(jù)結(jié)構(gòu)形象
1、一階張量（向量）
不妨首先假定在三維空間中，則一個一階張量（向量）有3個分量，可以表示為一個有序3元數(shù)組或1×3階的行矩陣
Tj = [T1 T2 T3]
在n維空間中，一個一階張量（向量）有n個分量，可以表示為一個有序n元數(shù)組，或表示為一個1×n階行矩陣
Tj = [T1 T2 ...... Tn]
也就是說，一個一階張量（向量）可以用一個行矩陣表示，似乎構(gòu)成“一條直線”。
2、二階張量
在三維空間中，一個二階張量則有9個分量，可以表示為一個有序9元數(shù)組或3×3階的矩陣
一般地，在n維空間中，一個二階張量有n2個分量，可以表示為一個有序n2元數(shù)組，或表示為一個n×n階矩陣
也就是說，一個二階張量可以用一個矩陣表示，似乎構(gòu)成“一張平面”。如下圖所示： 圖：二階張量矩陣平面
3、三階張量
在三維空間中一個三階張量
有27個分量，似乎可以構(gòu)成一組3個矩陣，每個矩陣都是3×3個元素。設(shè)想“三張平面”構(gòu)成一個“立方體”。如下圖所示：
圖1：三階張量數(shù)據(jù)
如果在n維空間，一個三階張量
有n^3個分量，也可以構(gòu)成n個矩陣，每個矩陣都是n×n個元素。設(shè)想“n張平面”構(gòu)成一個“立方體”，好像一塊積木。如下圖所示：
圖2：三階張量立方體積木
4、四階張量
繼續(xù)探討我們的“積木游戲”。在三維空間中一個四階張量
有81個分量，似乎可以構(gòu)成一組9個矩陣，每個矩陣都是3×3個元素。設(shè)想每“三張平面”構(gòu)成一個“立方體”，共有3個“立方體”或曰3塊“積木”。3塊“積木”排成一列，好像由矩陣構(gòu)成的“陣列”。
如果在n維空間，一個四階張量
有n^4個分量，也可以構(gòu)成n^2個矩陣，每個矩陣都是n×n個元素。設(shè)想每“n張平面”構(gòu)成一個“立方體”（一塊積木），n塊積木排成一列。我們把這樣相互關(guān)聯(lián)的一組矩陣叫做“陣列”。如下圖所示：
圖3：四階張量數(shù)據(jù)陣列
5、五階張量
如果是n維空間中的一個五階張量
，共有n^5個分量，則可以構(gòu)成n^3個矩陣。設(shè)想每n張平面（矩陣）構(gòu)成一塊積木，每n塊積木構(gòu)成一條陣列，共有n條陣列，可以壘成“一堵墻”。假如以元素（張量的分量）為單位，這堵“墻”的高和長都是n^2，厚度是n。以3維空間為例，如下圖所示：
圖4：五階張量陣列墻（設(shè)n＝3）
6、六階張量
對于6階張量，n^6個分量可以組成n^4張矩陣平面，構(gòu)成n^3塊積木，再排成n^2條陣列，壘成n堵墻，最后拼成一個方垛。以3維空間為例，如下圖所示：
圖5：六階張量數(shù)據(jù)方垛（設(shè)n＝3）
7、M階張量
一般地，在n維空間中的一個M階張量共有個分量，可以組成 張矩陣平面，構(gòu)成 塊積木，再排成 條陣列，壘成 堵墻，最后拼成 個方垛，再排成 條方垛陣列，......依此類推。
我的天啊！太恐怖啦！不要怕，計算機最擅長作這類數(shù)據(jù)結(jié)構(gòu)的運算和處理。這就是在計算機時代的今天為什么要研究和普及張量算法的原因。
?
1.張量的四種定義
1.張量是多維數(shù)組，這個定義常見于各種人工智能軟件。
2.張量是某種幾何對象，不會隨著坐標(biāo)系的改變而改變
3.張量是向量和余向量（covector）通過張量積（tensor product）組合而成的。
4.張量是多重線性映射，即：
除零階張量外，張量的具體表示還與坐標(biāo)系的選擇有關(guān)，選擇不同的坐標(biāo)系，意味著選擇不同的基矢（basis）進(jìn)行展開。以矢量為例，在給定坐標(biāo)系，矢量由多個數(shù)構(gòu)成，這些數(shù)實際上為當(dāng)前基矢下的展開系數(shù)，如果坐標(biāo)軸變化了，即基矢變化了，那么自然而然，對應(yīng)的展開系數(shù)也就變化了。
2.張量表示形式
一階張量可以理解為一個向量，二階張量可以理解為矩陣，三階張量可以理解成立方體，四階張量可以理解成立方體組成的一個向量，五階張量可以理解成立方體組成的矩陣，依次類推。
把三維張量畫成一個立方體：
3.現(xiàn)實世界中的數(shù)據(jù)張量
1）向量數(shù)據(jù)
2D張量，形狀為（samples,features）
2）時間序列數(shù)據(jù)或序列數(shù)據(jù)
3D張量，形狀為（sampels,timesteps,features）
當(dāng)時間（或序列順序）對于數(shù)據(jù)很重要時，應(yīng)該將數(shù)據(jù)存儲在帶有時間軸的3D張量中。每個樣本可以被編碼為一個向量序列（即2D張量），因此一個數(shù)據(jù)批量就被編碼為一個3D張量。
圖像通常具有三個維度：高度，寬度和顏色深度。雖然灰度圖像（比如MNIST數(shù)字圖像）只有一個顏色通道，因此可以保存在2D張量中，但按照慣例，圖像張量始終是3D張量，灰度圖像的彩色通道只有一維。因此，如果圖像大小為 256 × 256 256\times256256×256 ，那么128張灰度圖像組成的批量可以保存在一個形狀為（128，256，256，1）的張量中，而128張彩色圖像組成的批量則可以保存在一個形狀為（128，256，256，3）的張量中。
圖像張量的形狀有兩種約定：通道在后（channels-last）的約定（在 TensorFlow 中使用）和 通道在前（channels-first）的約定（在 Theano 中使用）。Google 的 TensorFlow 機器學(xué)習(xí)框架將 顏色深度軸放在最后：(samples, height, width, color_depth)。與此相反，Theano 將圖像深度軸放在批量軸之后：(samples, color_depth, height, width)。如果采 用 Theano 約定，前面的兩個例子將變成 (128, 1, 256, 256) 和 (128, 3, 256, 256)。 Keras 框架同時支持這兩種格式。
3）圖像
4D張量，形狀為（samples,height,width,channels）或（samples,channels,height,width）
4）視頻
5D張量，形狀為（samples,frames,height,width,channels）或（samples,frames,channels,height,width）
視頻數(shù)據(jù)是現(xiàn)實生活中需要用到 5D 張量的少數(shù)數(shù)據(jù)類型之一。視頻可以看作一系列幀， 每一幀都是一張彩色圖像。由于每一幀都可以保存在一個形狀為 (height, width, color_ depth) 的 3D 張量中，因此一系列幀可以保存在一個形狀為 (frames, height, width, color_depth) 的 4D 張量中，而不同視頻組成的批量則可以保存在一個 5D 張量中，其形狀為 (samples, frames, height, width, color_depth)。
4）階（order/ways/modes/rank）
階：張成所屬張量空間的向量空間的個數(shù)
一階張量（向量）：[5,10,15,30,25]
二階張量（矩陣）：（[[5,10,15,30,25],[20,30,65,70,90],[7,80,95,20,30]]）
三階張量：（[[[5,10,15,30,25],[20,30,65,70,90],[7,80,95,20,30]],[[3,1,1,0,2],[2,3,5,7,9],[7,8,5,2,3]],[[15,0,5,0,5],[0,0,5,0,0],[7,0,5,0,0]]]）
在實際的操作中，秩可以理解為[的深度。例如：
rank = 1:[0,1,2]
rank = 2:[[0,1],[2,3]]
rank = 3:[[[0,1],[2,3]],[[4,5],[6,7]]]
一階張量（向量）：
二階張量（矩陣）：
三階或更高階張量：
零階張量（數(shù)量）：
以三階張量為例：
?
總結(jié)
- 上一篇： 结构张量 matlab 图像,图像处理中
- 下一篇： 【以前的空间】网络流合集