张量入门（Tensor for Beginners）（四）

1.2 张量是什么 1.2.1 张量的数组“定义”         张量=多维数组。         在初学向量的时，很容易进入这样的误区： s 正方体（假装有个cube） 标量 向量（矢量） 矩阵 三阶张量 rank 0 rank 1 rank 2 rank3           这个定义的意思是：标...

张量一 1.张量的定义        首先我们来了解一下什么是张量，张量有四个定义： 张量是多维数组 张量是一种不随坐标系的改变而改变的几何对象 张量是向量和余向量，不会随着坐标系的改变而改变 张量是多重线性映射，即 T：V∗×⋯×V∗⏟m×V×⋯×V⏟n→R，V是矢量空间，V∗是对应的对偶空间T：\underbrace{V^* \times \cdots \times V^*}_m \times \underbrace{V

Tensor，中文叫张量，是深度学习的一个基础，文章讲解了什么是张量，张量和标量、向量、矩阵之间的关系，张量如何使用，在PyTorch中如如何对张量进行操作 ，

1 张量 张量就是一组有序数。 或者说，张量就是一组有序数的表现方式，或者说是记号。比如向量是一种表现方式，矩阵是一种表现方式，张量同样也是一种表现方式。它本质就是一组有序的数字而已。 值得指出的是，张量是比向量和矩阵更高级的记号。它向下包含了向量和矩阵。凡是向量和矩阵能表示的，张量都能更简洁地表示。 在很多地方，我们不提是几阶张量，就默认是2阶。 1.1 为什么张量记号简便 为什么要用张量记号，说起来，无非是简便。当然，熟悉了之后，还可以将知识抽象到更高层次。 为什么会简便？ 比如应力记号σ\sigmaσ

张量分析入门笔记 (Tensor For Beginner)

第一章：什么是张量 1.1 张量的用途 1.1.1 背景介绍         在维基百科中查得，“张量”这个概念是由格雷戈里奥·里奇-库尔巴斯托罗在1890年在《绝对微分几何》的标题下发展出来的，随着1900年列维-奇维塔的经典文章《绝对微分》（意大利文，随后出版了其他译本）的出版而为许多数学家所知。随着1915年左右爱因斯坦的广义相对论的引入，张量微积分获得了更广泛的承认。广义相对论完全由...

第二章 从几个例子来认识张量 2.1 前向变换和后向变换（Forward&Backward Transformations）         现在，我们有平面上的两组基：                 从Old Basis到New Basis的变换称为Forward，从New Basis到Old Basis的变换称为Backward。这两组基之间有如下关系： 所以，它们之间...

张量是一个在变化的坐标下“不变”的对象，并且具有在变化的坐标下 以“特定的可预测方式”变化的组件。拿起一支笔，让笔指向离你最近的门。铅笔的长度不会取决于我们选择的坐标系。长度是“固有”的或者是“不变”量；这支铅笔也指向门，这是事实，它不取决于我们使用什么坐标系，铅笔的方向在坐标系的选择下是 “固有的”或“不变的“。首先，假设这有个xyz三维坐标系，我们可以利用该坐标系来测量铅笔，可以看出，该铅笔由2个黄色箭头，1个绿色箭头，2个蓝色箭头组成。

- 2026/04/10: Version 0.2.0 released, changing frontend expression methods, improving ease of use, enhancing features and performance, refining module capabilities, and optimizing development experien

This directory contains a series of PyPTO development sample codes designed to guide developers on how to use this AI programming framework. The sample codes progressively demonstrate the framework's

声明： 1）该文章整理自网上的大牛和机器学习专家无私奉献的资料，具体引用的资料请看参考文献。 2）本文仅供学术交流，非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益，还望海涵，并联系博主删除。 3）博主才疏学浅，文中如有不当之处，请各位指出，共同进步，谢谢。 4）此属于第一版本，若有错误，还需继续修正与增删。还望大家多多指点。大家都共享一点点，一起为祖国科研的推进...

Julia是一门为科学计算与高性能场景设计的现代编程语言，其核心价值在于‘零成本抽象’——在保持代码可读性的同时，通过类型系统、多重分派和JIT编译实现接近C语言的执行效率。它并非Python的替代品，而是专为数值计算、统计建模和工程仿真等需要兼顾开发效率与运行性能的领域而生。关键技术原理包括：基于类型标注的编译器特化、参数类型驱动的多重分派机制、以及按需编译带来的首次调用延迟可控性。典型应用场景涵盖金融波动率实时计算、气候模型求解、生物信息学序列分析等对内存与速度高度敏感的任务。本文聚焦新手最易踩坑的性能

TensorFlow是Google推出的开源机器学习框架，核心基于计算图与自动微分机制，支持GPU加速和分布式训练。其技术价值在于将复杂模型封装为可复用、可部署的模块化组件，广泛应用于图像识别、自然语言处理等AI工程场景。然而初学者常在环境安装、数据加载、shape匹配和梯度调试等基础环节受阻——例如import失败、tf.data报错、loss不下降或GPU不可用。本文聚焦TensorFlow实操与调试两大高频痛点，以2024年最新稳定版（TF 2.16.1 + CUDA 12.2）为基准，手把手构建端到

本文是一篇 14 万字、从零硬核实现 GPT 的保姆级指南。内容全面覆盖四个阶段：①从最基础的 Bigram 语言模型切入，跑通数据处理与训练闭环；②仿照 Transformer 架构，深度研究 Multi-Head Attention、残差网络、LayerNorm 及 Dropout 的底层数学与代码实现；③从零构建BPE 分词器，对齐 GPT-2 规范；④从头搭建 GPT-1/2 工业级预训练流程，包含混合精度、梯度累积等十余项硬件级工程调优，并在 AutoDL 算力平台上从0开始训练！适合所有层次！

张量是 PyTorch 的核心数据结构，它可以看作是多维数组的泛化，不仅支持 CPU 计算，还能借助 GPU 实现加速计算，这一特性对深度学习模型的训练和推理有着至关重要的作用。张量能够表示从标量（0 维）、向量（1 维）、矩阵（2 维），到任意更高维度的数据。在深度学习中，图像、文本、音频等各类数据通常都会被转换为张量形式，以便进行后续的处理和计算。

在一定程度上，可认为 协向量就像 行向量。但简单地认为 这就是列向量进行转置！要理解这个，需将 行向量视为函数，因此，可将行向量 视为 列向量上的函数，row vectors are functions on (column) vectorseg：y=f（x） x就是输入行向量 [ 2，1 ]是函数，列向量 [ -3;4 ]是函数的输入，要得到函数的输出值，只需对该行向量和列向量进行矩阵乘法 或“点积”现如果，有 任意通用的协向量α 作用于 任意通用向量v上，

随着开始人工智能的学习越来越多，那么再学习过程中，我们应该有一定的基础知识储备，本系列为基础知识储备介绍，本文主要为张量数据操作入门。本章为张量基本操作入门，后续将会逐步完善本系列，旨在为AI学习打好基础。

文章转载自：https://www.sohu.com/a/144569429_700316（MOOC） 也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。也许你在NASA教程中看到它，仍然不知道它在说些什么？问题在于大多数讲述张量的指南，都假设你

1 关于张量的四种定义“张量”在不同的运用场景下有不同的定义。    （1）张量是多维数组，这个定义常见于各种人工智能软件。听起来还好理解。    （2）张量是某种几何对象，不会随着坐标系的改变而改变。    （3）张量是向量和余向量（covector）通过张量积（tensor product）组合而成的。    （4）张量是多重线性映射，即：，V表示是矢量空间，  V*是对应的对偶空间。2 多维...