张量（tensor）：
输入网络数据的存储对象
张量是数字容器，其维度（dimension）称为轴（axis）
1、一个数字的张量叫标量（scalar、标量张量、零维张量、0D张量）。ndim可以看轴的个数（阶 rank）。
2、向量（1D张量、一维张量）。注意：5D向量和5D张量不要弄混。
3、矩阵（2D张量、二维张量）
4、3D张量与更高维张量
深度学习一般除了0D到4D的张量，但处理视频数据时可能会用到5D张量。
张量3个属性
- 轴的个数（阶）；
- 形状。整数元组，表示每个轴上的维度（元素个数）；
- 数据类型。
在Numpy中操作张量
选择张量特定元素叫张量切片（tensor slicing）
数据批量的概念
深度学习中所有数据张量的第一个轴（0轴）称为样本轴（samples axis，或称为样本维度）。
对于批量张量（MNIST），第一个轴（0轴）叫批量轴（batch axis）或批量维度（batch dimension）。
现实世界中的数据张量
需要处理的数据总是下列类别之一：
- 向量数据：2D 张量，形状为 (samples, features)。如：人口统计数据；
- 时间序列数据或序列数据： 3D 张量，形状为 (samples, timesteps, features)。如：股票价格数据集；
- 图像： 4D 张量，形状为 (samples, height, width, channels) 或 (samples, channels,height, width)。通道即为颜色深度轴；
- 视频： 5D 张量，形状为 (samples, frames, height, width, channels) 或 (samples,frames, channels, height, width)。
张量运算：
层的组成要素
梯度下降：
让网络从训练样本中进行学习
