问题描述：

深度学习的核心就是卷积，而卷积的核心那就是张量。

那么如何理解张量（tensor）就成了深度学习路途中不可缺少的一步，讲真的，刚学习深度学习那会儿张量实在是困惑了自己很长一段时间，而这篇文章根据自己学习深度学习的历程给出了一个清晰通俗的解释，相比于官方教材给出了更容易让初学者更能理解的逻辑举例。

如果你的张量理解程度还停留在只能想象出三维的张量维度的话，相信这篇文章一定能让你彻底理解各种维度的张量！

理解第一步：

对张量最初级的理解可以举例为python中的列表，这里的list就可以理解为一维张量：

list=[1,2,3,4,5]

我们也可以通过常见的张量生成函数torch.rand（）来生成一位张量（torch.rand的作用通俗来说就是产生均匀分布的数据！

torch.rand（）里面有几个数字那么就是生成几维张量！

例如这里生成一维张量：

import torch

#生成一个有四个随机张量元素的一维张量
x = torch.rand(4)

print(x)

生成结果：
在这里插入图片描述
好了，到这你就完成了理解张量的第一步了！

矩阵，这是理解张量的第一步，

理解第二步（二维张量）：

理解张量的第二步也不难，其实就可以理解为我们大学课程中学习的矩阵！
例如这个两行两列的矩阵B就可以看作一个二维张量：
在这里插入图片描述
同样我们用torch.rand()生成一个二维张量，再次强调，torch.rand()括号里面输入几个数那就是生成几维张量，这里我们输入两个数：

import torch

#生成二维张量
x = torch.rand(2,4)

print(x)

生成了个两行四列的张量（矩阵）：
在这里插入图片描述
二维张量常见于灰度图像当中，灰度图像即为一个二维张量数据！

理解第三步（三维张量）：

理解三维张量也相对容易，二维张量可以看作一个平面，而三维张量就可以看作很多个二维张量平面两两平行摆放。

例如我们常见的RGB图像就可以理解为3个二维灰度图像并排摆放。
在这里插入图片描述

同样，我们用torch.rand（）生成三维张量：

import torch

#rand括号里输入几个数就是生成几维张量
#这里的（2，3，4）分别为(channel,height,width)
x = torch.rand(2,3,4)

print(x)

张量结果：
在这里插入图片描述
这里通俗理解为，生成了2个平行摆放的3行4列的二维张量！

理解第四步(高维张量）：

相信大多数人的想象力就到上面为止了,我们的张量其实不但有3维，还有33维、333维、333333维。。。

在理解高维张量之前，我先想到了俄罗斯套娃，哈哈……：
在这里插入图片描述

其实高维张量就可以理解为俄罗斯套娃，单位为“套”
一“套”张量 = 一维张量
n’‘套’'张量 = n维张量

其实张量有专属的高维张量单位，那就是batch，相信跑过深度的同学都知道，训练网络之前都得调batchsize大小，其实本质上就是调的张量维度，维度高了计算机也会吃不消，毕竟理论上可以将batchsize调成9999999哈哈。

同样我们可以通过torch.rand()生成高维张量：

import torch

'''这里的rand()括号里面的参数从第四维开始其实就是不断加入一个新的参数---batch!
	例如我这里4维张量就是(batch,channel,heigth,width)
	那如果是6维张量那就是(batch,batch,batch,channel,heigth,width)
	不断地在前面加batch就好啦！'''
x = torch.rand(2,3,4,5)

print(x)