[人工智能]PyTorch 张量（tensor）的秩，轴，形状（Rank Axes and Shape）的理解

秩、轴和形状的概念是我们在深度学习中最关心的张量属性。在这篇文章中，我们将深入研究张量的这三个属性。在深度学习中开始使用张量时，秩、轴和形状是我们最关心的三个张量属性。这些概念相互建立，从秩开始，然后是轴，再到形状，因此请密切注意这三者之间的这种关系。

张量的秩（Rank）

张量的秩是指张量中存在的维数（dimensions）。假设我们被告知我们有一个 秩为2（rank 2）的张量。这意味着以下所有内容：

• 我们有一个矩阵
• 我们有一个二维数组
• 我们有一个二维张量

张量的轴（Axes）

如果我们有一个张量，并且我们想引用一个特定的维度，我们在深度学习中使用轴这个词。张量的轴是张量的特定维度。

如果我们说一个张量是一个 秩为2张量，我们的意思是这个张量有 2 个维度，或者等价地，这个张量有两个轴。 元素被称为沿着轴存在或者沿着轴行走。这种行走受到每个轴的长度的限制。现在让我们看看轴的长度。

张量的形状

未完待续。。。。。。

本文参考https://deeplizard.com/learn/video/AiyK0idr4uM