2.2 神经网络的数据表示
在先前的例子中，我们从存储在多维Numpy数组中的数据开始，这些数据也称作张量。一般而言，所有现在的机器学习系统使用张量作为它们基础数据结构。张量是这个领域的基础——它们如此基础，因此谷歌的TensorFlow以此命名。所以什么是张量？
在它的核心概念中，张量是数据的一个容器——几乎总是数字化的数据。所以，它是数字的一个容器。你可能已经熟悉了2D张量的标准：张量是将矩阵推广到任意数量的维度（注意对于文中的张量来说，维度叫做轴）。
2.2.1 标量
一种只包含了一个数字的张量叫做标量（或者说标量型张量，或0维张量，或者0D张量）。在Numpy中，一个float32位或float64位数字是一个标量张量（或者标量数组）。你能够通过ndim属性来展示Numpy张量的轴的数量；一个标量张量有0个轴（ndim = 0）。一个张量的轴的数量也叫做等级。这是一个Numpy标量：
（略）
2.2.2 向量（1D 张量）
一个数字的数组叫做向量，或1D张量。1D张量据说恰有一个轴。接下来的是Numpy的向量：
（略）
2.2.3 矩阵（2D 张量）
一个向量的数组叫做矩阵，或者叫做2D张量。一个数组有两个轴（经常被说成行和列）。你能从表面上解释说矩阵像是一个由数字组成的长方形的网格。这是Numpy矩阵：
（略）
第一个轴的条目叫做行，并且第二个轴的条目叫做列。在先前的例子中，[5, 78, 2, 34, 0]是第一行，而[5, 6, 7]是第一列。
2.2.4 3D张量和更高维度张量
如果你将这样的矩阵挑选入新数组，你得到一个3D张量，一个你可以在外表上形容其为数据立方体。以下是Numpy3D张量：
（略）
2.2.5 关键属性
一个张量被3个关键属性所定义：
轴的数量（等级）——例如，3D张量有3个轴，而矩阵有两个轴。这在python库如Numpy中也叫做张量的ndim。
shape——这是一个整数的tuple（译者：这在python中为一个常量数组，里面的数据通常不可更改），形容了每个轴的张量规模大小。例如，先前矩阵的例子有shape[3, 5]，而3D张量的例子中有shape[3, 3, 5]。一个向量里有有着单一元素的shape，像是[5, ]，然而一个标量里仅有空shape。
Data type（在python库中常称为dtype）——这是中包含在张量里的数据类型；例如，一个张量类型能叫做float32，uint8，float64，等等。在很少的场合，你可能看到一个char张量。但注意文字的张量不存在在Numpy（或者大多数库中），因为张量存在于预分配的连续的内存段中：字符串，是可变长度的，所以应该先排除使用这个实现。
