**张量**（tensor）：一个数据容器 矩阵->二维张量=>张量是矩阵向任意维度的推广 **轴**（axis）：张量的**维度**（dimension） **阶**（rank）：张量轴的个数，ndim **标量**（scalar，也叫标量张量、零维张量、0D 张量）： 仅包含一个数字的张量； 在 Numpy 中，一个`float32`或`float64`的数字就是一个标量张量（或标量数组）。 #### eg:`np.array(12).ndim >> 0` **向量**（vector）：一维**张量**（1D **张量**），只有一个轴。 第一个轴是**样本轴**，第二个轴是**特征轴** #### eg:`np.array([12, 3, 6, 14, 7]).ndim >> 1`,这个数组有5个元素，叫**5D向量** **矩阵**（matrix）：二维**张量**（2D **张量**）。矩阵有 2 个轴（通常叫作**行**和**列**） #### eg: ~~~ np.array([[5, 78, 2, 34, 0], [6, 79, 3, 35, 1], [7, 80, 4, 36, 2]]).nidm >> 2 ~~~ **3D 张量**： #### eg: ~~~ np.array([[[5, 78, 2, 34, 0], [6, 79, 3, 35, 1], [7, 80, 4, 36, 2]], [[5, 78, 2, 34, 0], [6, 79, 3, 35, 1], [7, 80, 4, 36, 2]], [[5, 78, 2, 34, 0], [6, 79, 3, 35, 1], [7, 80, 4, 36, 2]]]).nidm >> 3 ~~~ * **向量数据**：2D 张量，形状为`(samples, features)`。 * **时间序列数据**或**序列数据**：3D 张量，形状为`(samples, timesteps, features)`。 * **图像**：4D 张量，形状为`(samples, height, width, channels)`或`(samples, channels, height, width)`。 * **视频**：5D 张量，形状为`(samples, frames, height, width, channels)`或`(samples, frames, channels, height, width)`。