在机器学习中，分类问题中的某个类别叫作**类**（class）。数据点叫作**样本**（sample）。某 个样本对应的类叫作**标签**（label） ~~~ ## 1、张量（tensor） 存储在多维 Numpy 数组中的数据，可以简单理解 张量这一概念的核心在于，它是一个数据容器。它包含的数据几乎总是数值数据，因此它 是数字的容器。你可能对矩阵很熟悉，它是二维张量。 张量是矩阵向任意维度的推广［注意， 张量的维度（dimension）通常叫作轴（axis）］ ~~~ 1.1 标量（0D 张量） 仅包含一个数字的张量叫作标量（scalar，也叫标量张量、零维张量、0D 张量）。 1.2 向量（1D 张量） 数字组成的数组叫作向量（vector）或一维张量（1D 张量）。一维张量只有一个轴。 1.3　矩阵（2D 张量） 向量组成的数组叫作矩阵（matrix）或二维张量（2D 张量）。矩阵有 2 个轴（通常叫作行和 列）。你可以将矩阵直观地理解为数字组成的矩形网格。 1.4 3D 张量与更高维张量 将多个矩阵组合成一个新的数组，可以得到一个 3D 张量，你可以将其直观地理解为数字 组成的立方体 1.5 张量切片（tensor slicing） 选 择张量的特定元素叫作。