跟着AI学AI_07张量、数组、矩阵

说明这三个概念不是一个范畴的东西，但是很容易混淆，因此放到一起进行说明。

在这里插入图片描述

张量（Tensor）

张量是一个多维数组的通用概念，用于表示具有任意维度的数值数据。在数学和计算机科学中，张量是广泛用于表示数据的基础结构，尤其在深度学习和科学计算领域。下面通过对比数组和矩阵来详细解释张量。

数组（Array）

数组是一种线性数据结构，用于存储一组具有相同数据类型的元素。数组有不同的维度：

一维数组（Vector）：类似于数学中的向量，例如 [1, 2, 3, 4, 5]。
二维数组（Matrix）：类似于数学中的矩阵，例如 [[1, 2, 3], [4, 5, 6]]。
多维数组（Multidimensional Array）：具有更高维度的数组，例如三维数组 [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]。

矩阵（Matrix）

矩阵是一种特殊的二维数组，通常用于线性代数操作。矩阵的行和列用于表示数据的二维结构。例如：

1  2  3
4  5  6

这个矩阵有两行三列，可以表示为一个二维数组 [[1, 2, 3], [4, 5, 6]]。

张量（Tensor）

张量是一个扩展概念，涵盖了所有维度的数组。张量可以是一维、二维、三维或更高维度。张量的维度也被称为阶（rank）。具体来说：

0 阶张量：标量（单个数值），例如 7。
1 阶张量：向量（数组），例如 [1, 2, 3]。
2 阶张量：矩阵，例如 [[1, 2], [3, 4]]。
3 阶张量：三维数组，例如 [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]。

张量、数组和矩阵的异同

相同点：
- 都是用于表示和存储数值数据的结构。
- 可以表示为具有不同维度的数据。
- 支持基本的算术运算和索引操作。
不同点：
- 维度：
  - 数组可以是一维、二维或多维的。
  - 矩阵特指二维数组。
  - 张量是更通用的概念，可以具有任意维度。
- 使用场景：
  - 数组和矩阵广泛用于基本的数据存储和简单的数学运算。
  - 张量广泛用于深度学习和科学计算，表示复杂的多维数据。
- 数学操作：
  - 矩阵有专门的线性代数操作（如矩阵乘法、行列式、逆矩阵等）。
  - 张量的操作更为广泛，涵盖了数组和矩阵的操作。

示例代码

下面通过 Python 代码进一步说明数组、矩阵和张量的使用。

import numpy as np
import torch

# 一维数组（向量）
array_1d = np.array([1, 2, 3, 4, 5])
tensor_1d = torch.tensor([1, 2, 3, 4, 5])
print("一维数组（向量）：")
print(array_1d)
print(tensor_1d)

# 二维数组（矩阵）
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
tensor_2d = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("\n二维数组（矩阵）：")
print(array_2d)
print(tensor_2d)

# 三维张量
array_3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("\n三维张量：")
print(array_3d)
print(tensor_3d)

# 基本运算
print("\n基本运算：")
print("数组加法：", array_1d + 10)
print("张量加法：", tensor_1d + 10)

# 矩阵乘法
print("\n矩阵乘法：")
array_matmul = np.dot(array_2d, array_2d.T)
tensor_matmul = torch.matmul(tensor_2d, tensor_2d.T)
print(array_matmul)
print(tensor_matmul)