我在学习Tensorflow的CNN教程时，遇到一个问题：在Tensorflow以及一般情况下，程序上‘张量’和多维矩阵有什么区别？

我尝试自己研究张量的定义，发现张量可以是n阶的，每个元素包含n维的信息。例如，如果我们有一个张量A和一个数据点，坐标为(3,2,5,4)，那么我们是在讨论一个包含一个元素的4维张量A，对吗？

我找到的其他文章说，张量与数组相同，区别在于张量的元素可以变换。但我还是不明白张量和普通多维数组的区别。我们总是可以对数组应用一个函数来变换元素。

您能否尝试澄清它们的定义/属性和区别？

回答：

这个演示文稿的第7张幻灯片对各种张量有很好的可视化展示。

https://www.slideshare.net/yokotatsuya/principal-component-analysis-for-tensor-analysis-and-eeg-classification

我刚开始时也有同样的疑惑。答案其实很简单。

“张量”是指N维值集的一般用词。我们对低阶张量有数学名称：标量、向量、矩阵。

在Tensorflow中，张量的阶数就是它的维度。这里有一些例子：

---------------------------------------------------------------| Rank of  | Math     | Example                               || tensor   | entity   |                                       |---------------------------------------------------------------|    0     | Scalar   | x = 42                                ||    1     | Vector   | z = [10, 15, 20]                      ||    2     | Matrix   | a = [[1 0 2 3],                       ||          |          |      [2 1 0 4],                       ||          |          |      [0 2 1 1]]                       ||    3     | 3-Tensor | A single image of shape:              ||          |          | [height, width, color_channels]       ||          |          | ex: [1080, 1920, 3]                   ||    4     | 4-Tensor | A batch of images with shape:         ||          |          | [batch_size, height, width, channels] ||          |          | ex: [10, 1080, 1920, 3]               ||    N     | n-dim    | You get the idea...                   ||          | Tensor   |                                       |---------------------------------------------------------------