张量——Pytorch中Tensor的维度，形状，意义

搬运一篇文章！阅读原文

在深度学习里，Tensor实际上就是一个多维数组（multidimensional array）。

而Tensor的目的是能够创造更高维度的矩阵、向量。
对Pytorch中的tensor人工读取维度和形状的时候总是很别扭，故作此文加深一下对tensor维度，形状以及各维度意义的理解

对于一维的张量表示行或列向量

对于二维的张量[n,m]表示n行m列的矩阵

对于三维的张量[p,n,m]表示p个切片，每个切片为n行m列的矩阵

对于四维的张量以后的就不知道怎么解释了…



补充另一个博主的理解：

[
    [
         [1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]
    ],
 
    [
         [1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]
    ]
]

我们可以看到：

第一层（最外层）中括号里面包含了两对中括号（以逗号进行分割），这就是（2，3，4）中的2
第二层中括号里面包含了三对中括号（以逗号进行分割），这就是（2，3，4）中的3
第三层中括号里面包含了四个数（以逗号进行分割），这就是（2，3，4）中的4

结论：pytorch中的tensor维度可以通过第一个数前面的中括号数量来判断，有几个中括号维度就是多少。拿到一个维度很高的向量，将最外层的中括号去掉，数最外层逗号的个数，逗号个数加一就是最高维度的维数，如此循环，直到全部解析完毕。
我们还看到：
z.size(0) = 2，z.size(1) = 3，z.size(2) = 4
第0维度为2，第1维度为3，第2维度为4，即维度的标号是以0开始的