《PyTorch深度学习实战》（一）

1. 张量

张量（Tensor）是一个数学对象，可以看作是向量和矩阵的推广。在数学和物理学中，张量被用来描述多维空间中的量，这些量可能具有多个方向和大小。

张量的定义和性质如下：

阶数（Order）：张量的阶数表示张量的维度。一个标量（Scalar）是0阶张量，一个向量（Vector）是1阶张量，一个矩阵（Matrix）是2阶张量。更高阶的张量可以表示为多维数组。

分量（Components）：张量的分量是张量在特定坐标系下的数值表示。例如，一个向量的分量是其在坐标轴上的投影，一个矩阵的分量是其元素。

变换规则：当坐标系发生变化时，张量的分量会按照特定的规则进行变换。这些规则确保了张量所表示的物理量在不同坐标系下保持一致。

运算：张量之间可以进行加法、减法、乘法（包括点积、叉积、张量积等）和除法等运算。

对称性和反对称性：某些张量具有对称性或反对称性，这意味着在交换某些索引时，张量的分量保持不变或变为相反数。

在机器学习和深度学习中，张量的概念被广泛应用于表示和处理多维数据。例如，图像可以表示为3阶张量（高度、宽度、颜色通道），视频可以表示为4阶张量（帧数、高度、宽度、颜色通道）。

张量的运算和性质在许多领域都有应用，包括物理学、工程学、计算机科学等。在深度学习中，张量是构建神经网络模型的基本数据结构，用于表示输入数据、模型参数和输出结果