1. 从标量到张量
问AI：
什么是张量？
AI答：
0维是标量，1维是向量，2维是矩阵，3维及以上就是张量。
在深度学习中，张量不仅是多维数据容器，更重要的是它支持自动微分和GPU加速计算，这是普通多维数组不具备的核心特性。比如PyTorch和TensorFlow中的张量，除了存储数据，还记录了计算图信息，能够反向传播梯度。
个人理解：
从数组的角度看，
- 数字1就是0维数组
- 坐标（100，100）就是1维数组
- NxM 矩阵(011110101)\begin{pmatrix} 0&1&1\\ 1&1&0\\ 1&0&1\\ \end{pmatrix}011110101就是2维数组。
- QxNxM张量就是Q个矩阵的数组，也就是3维数组。
所以从数组的角度看，张量就是多维数组。
从几何的角度看：
- 数字1是一维坐标轴上的向量；
- 点(100, 100)是二维空间中的一个向量，由xy坐标轴上的两个分向量合成而来；
- 矩阵是向量的推广，矩阵的子向量数量可以是多个。矩阵要竖着看，每一列都是一个向量。
比如1x1矩阵：
(0)\begin{pmatrix} 0 \end{pmatrix}(0)
可以表示一个标量。
3x1矩阵：
(011)(3)\begin{pmatrix} 0\\ 1\\ 1\\ \end{pmatrix} \tag{3}011(3)
表示一个3维向量。
3x3矩阵：
(011110101)\begin{pmatrix} 0&1&1\\ 1&1&0\\ 1&0&1\\ \end{pmatrix}011110101
表示3个3维向量。
4x3矩阵：
(011110101100)\begin{pmatrix} 0&1&1\\ 1&1&0\\ 1&0&1\\ 1&0&0\\ \end{pmatrix}011111001010
表示3个4维向量。
从几何的角度看，矩阵可以代表由子向量组成的任意维度的空间。这个维度是几何维度，不是数组中的维度概念，不要搞混。比如说一张二维1920x1080的图片，你可以把它看作矩阵，那么它代表的空间是多少维的？上千维的。但是它作为数据，就是个二维数组。这两个维度要区分开，否则很晕。 - 张量：张量是矩阵的推广。既然矩阵可以表示任意维度的空间，那么从几何角度看，张量就是多元宇宙。3维的张量，就是一阶多元宇宙，4维的张量，就是二阶多元宇宙。以此类推。
需要强调的是，数组中的维度和空间中的维度是不一样的，在神经网络中最好还是从多维数组的角度去理解张量。
2.张量在神经网络中的地位
问AI：
是不是神经网络中几乎都在用张量或者说离不开张量？
AI答：
是的，神经网络几乎完全依赖张量。
张量是深度学习的核心数据结构，几乎所有现代深度学习框架（如PyTorch、TensorFlow、JAX）都围绕张量构建。神经网络的输入数据（如图像、文本序列）、权重参数、中间计算结果、梯度信息等都以张量形式存储和计算。
张量不仅仅是多维数组，更重要的是它们支持自动微分和GPU加速，这是训练神经网络的关键能力。框架通过张量追踪计算图，实现反向传播算法，自动计算梯度用于参数更新。可以说，没有张量，现代深度学习的高效训练和推理就无从谈起。
3.张量的使用
张量是神经网络框架（pytorch, tensorflow）中的核心数据结构，经常用到。所以一般输入的图片都需要转换成张量才能被计算。
问AI：
torch中toTensor()函数作用的什么，为什么要把图片toTensor()？
AI答：
toTensor()就是给图片办一张「神经网络身份证」。
它主要做三件事：
改格式：从图片格式（如jpg、png）变成神经网络能看懂的数字格式（张量）。
缩数值：把像素亮度从0-255的整数，变成0-1之间的小数，神经网络处理起来更顺手。
调顺序：把图片的「高×宽×颜色通道」排布，改成神经网络最喜欢的「颜色通道×高×宽」排布。
一句话总结：没有 toTensor()，图片就进不了神经网络的大门。
好了，下一篇直接让AI分析代码，AI之下没有看不懂的代码。
