介绍
在人工智能（尤其是深度学习）中，“张量”这个词有一个更工程化、更实用的含义，和数学里的严格定义不完全一样，但本质上是相通的。
一句话解释
张量 = 深度学习里的数据容器，是一种可以表示任意维度数据的多维数组。
它是神经网络输入、输出、参数（权重）的基本数据结构。
为什么要用张量？
因为现实世界的数据有各种维度：
- 标量（0D）：一个数字，比如“温度=25”
- 向量（1D）：一串数字，比如“一个样本的特征 [1.2, 3.1, -0.5]”
- 矩阵（2D）：表格，比如“一批样本的特征（样本数 × 特征数）”
- 3D：序列数据，比如“文本（句子长度 × 词向量维度）”
- 4D：图像数据，比如“批量图片（批次 × 高度 × 宽度 × 通道）”
- 5D：视频数据，比如“批量视频（批次 × 时间 × 高度 × 宽度 × 通道）”
深度学习框架（PyTorch、TensorFlow）用张量来统一处理这些数据。
张量在AI中的作用
存储数据
图像、文本、声音、标签、模型参数全部用张量表示。支持GPU加速
张量可以放在GPU上进行高速计算，这是深度学习训练快的根本原因。自动求导
张量记录计算过程，能自动计算梯度（反向传播的核心）。支持并行计算
非常适合大规模训练和分布式训练。
特点
- 有形状（shape）：例如 (32, 28, 28, 1) 表示 32 张 28×28 的灰度图
- 有数据类型（dtype）：如 float32、int64
- 有设备（device）：CPU 或 GPU
- 可以进行自动求导（requires_grad=True）
张量 vs 普通数组
张量 ≈ 多维数组，但更强大：
- 支持 GPU
- 支持自动求导
- 支持广播
- 支持更多数学操作
- 支持并行计算
例子
import torch
# 4D张量：批量大小=32，通道=3，高度=224，宽度=224
images = torch.randn(32, 3, 224, 224)
# 2D张量：32个样本，每个样本10个特征
features = torch.randn(32, 10)
# 1D张量：32个标签
labels = torch.randint(0, 10, (32,))
# 模型参数（也是张量）
weight = torch.randn(10, 100, requires_grad=True)
阶（秩）
张量（tensor），相当于数组的 维
在张量中，将 维 称之为 阶（秩）
| 阶（秩） | 数据类型 |
|---|---|
| 0阶（秩） | 常量 |
| 1阶（秩） | 1维数组（向量） |
| 2阶（秩） | 2维数组（矩阵） |
| n阶（秩） | n维数组 |
总结
在人工智能中：
- 张量 = 多维数组 + 自动求导 + GPU加速 + 深度学习专用数据结构
- 它是现代深度学习的基础数据单位
- 几乎所有操作（卷积、矩阵乘法、激活函数）都是在张量上进行的