张量
什么是张量？
一个数，一个数组，一个矩阵都是张量。
张量包含多个属性，下面我将进行介绍。
张量的维度，叫做轴（axis）。维度可以无限扩充。
查看张量维度：
>>> x.ndim标量（0D张量）
对应的是数值，例如1，2，3等。
向量（1D张量）
我们传统理解上的向量是（0,1）、（256,256）等，但这里向量相当于所谓一维数组。
>>> x = np.array([12,3,6,14,7])
>>> x.ndim
1矩阵（2D张量）
[ [ 1, 2, 3, 4 ] ,
[ 5, 6 ,7 ,8 ] ]
[ ] 代表是一个集体，单个 [ ] 存的是向量，[ ] 中多个 [ ] 相当于多个向量罗列，也就表示成我们的矩阵。
>>> x = np.array( [ [ 1, 2, 3, 4 ] ,
[ 5, 6 ,7 ,8 ] ,
[ 1, 2, 3, 4 ] ] )
>>> x.ndim
23D张量与更高维张量
一个矩阵看作一个面，多个矩阵叠加，便成了立体（3D）。
>>> x = np.array( [ [ [ 1,2,3,4 ] ,
[ 2,3,4,5 ] ] ,
[ [ 4,3,2,1 ] ,
[ 1,2,3,4 ] ] ])
>>> x.ndim
3
张量除了维度以外，还包含其他两个属性：
- 形状（shape）
- 数据类型（dtype）
查看张量形状：
例如，某一个3D张量x
>>> print(x.shape)
（600，28，28）相当于600层28*28矩阵的叠加。
举一个特殊的例子：128张彩色图片。
彩色图片一般是RGB三原色构成，假定每一张的大小为256*256，则：
>>> print(x.shape)
(128,256,256,3) #tTensorFlow标准：(samples, height, width, color_depth)
#如果是Theano： (samples, color_depth, height, width)
#Keras同时支持两种格式3代表的是“颜色通道”，这里对应的就是RGB三原色。如果是灰度图片，则为1。
查看张量数据类型：
>>> print(x.dtype)
unit8表示的是8位整型。
常见的数据类型：
float32 float64 char ...
注意：Numpy以及大多数库，不存在字符串张量，因为张量存储在预先分配的连续内存中，而字符串的长度是可变的，无法用这种方式存储。
张量操作中有一个疑问：
我们的数组是（90,28,28），如果想取出所有图片右下角14*14像素的区域：
my_slice = train_image[:, 14:, 14:]而书上说也能使用负数：（取中心14*14的图像）
my_slice = train_image[:, 7:-7, 7:-7]是说正负表示相对于轴的位置，同时轴到了中心位置，但前面那个方法的理解，好像并不需要用到轴。
所以，是只有在用到负索引的时候，才把轴放在中心，而一般情况不考虑轴吗？
其实这里很简单：
正数是从前往后数的，负数代表从后往前数。
[7:-7] 表示不要前7个，不要最后7个，因为大小是28，所以只剩下了中间14个。
