深度学习为什么要用 tensor

深度学习中的 tensor 概念是指张量，是一种多维数组。相比于 numpy 中的数组，tensor 具有以下几个优点：

支持 GPU 加速：深度学习中，需要对大量数据进行计算，并且这些计算通常是高度并行化的。使用 tensor 可以方便地将计算放到 GPU 上进行加速，而 numpy 则通常只能在 CPU 上进行计算。
支持自动求导：深度学习中，需要对模型参数进行优化，而优化通常需要求解参数的梯度。使用 tensor 可以方便地实现自动求导，而 numpy 则需要手动实现求导过程。
支持动态计算图：深度学习中，通常需要构建复杂的计算图来描述模型结构和计算过程。使用 tensor 可以方便地构建动态计算图，而 numpy 则只能使用静态计算图。因此，使用 tensor 可以提高深度学习的计算效率和开发效率，并且方便实现自动求导和构建动态计算图。虽然 tensor 相对于 numpy 复杂一些，但是在深度学习中，使用 tensor 是非常普遍和必要的。