每天五分钟，解决一个深度学习问题：
让我们开始本系列的第一个小节： 标量，向量，矩阵，张量。
在整个机器学习中，你需要把数据交给计算机来处理，这就要求你把数据数学化，这样才能运算。这就要求你理解什么是张量。诶？你的标题不是标量，向量，矩阵，张量吗？为啥你只要重点标出张量呢？ok，那你就带着这样的疑问开始阅读吧！
深度学习中的数
在深度学习中的数，可以分为以下几类：
标量：2
向量：
矩阵：
我们为了更好的记忆，可以把他们做一下物理意义的比较
标量就是直线上的点。
向量就是平面上的一条线。
矩阵就是空间中的一个平面基（不知道什么是基，你就把他理解成是坐标系的x轴，y轴就可以了）。
在更高维度的空间中矩阵可以堆叠成一个体。
这样是不是比较有感觉，在深度学习中，把他们统称为tensor，张量！张量！张量！张量！
标量就是1维度张量，向量是2维张量，平面是3维张量，以此类推可以到更高的维度。
你可以把矩阵想成是向量的堆叠。例如你把向量 ，
拼到一起就是矩阵
。
矩阵由行和列组成，像刚才的矩阵，行为2，列为2，他的形状就记为2X2。
记住，要使用tensor，先要搞清楚形状，这是最重要的。
python代码实现
好了，你现在已经知道什么张量了。
接下来，我们用python的numpy模块，把标量，向量，矩阵，还有张量表示出来。见下面的代码：
环境准备可以看视频
#导入模块
import numpy as np
#标量,这个没啥要解释的。
a = 1
a
输出：
1
#向量
v1 = np.array([1,3])
print("v1:",v1)
#注意观察向量的形状
print("v1 shape:", v1.shape)
输出：
v1: [1 3]
v1 shape: (2,)
#矩阵,看起来就是python中的list套list
m1 = np.array([[1,0],[0,1]])
print("m1:", m1)
print("m1 shape:", m1.shape)
输出：
m1: [[1 0]
[0 1]]
m1 shape: (2, 2)
目录：
人工智能必知必会-前言
人工智能必知必会-标量，向量，矩阵，张量
人工智能必知必会-向量的加减与缩放
人工智能必知必会-向量的内积
人工智能必知必会-向量之间的距离
人工智能必知必会-初识矩阵
人工智能必知必会-矩阵与向量
人工智能必知必会-矩阵的加减法
人工智能必知必会-矩阵乘法
人工智能必知必会-矩阵与方程组
人工智能必知必会-再看矩阵与向量
人工智能必知必会-矩阵与向量乘法的物理意义
人工智能必知必会-词向量（案例）
人工智能必知必会-矩阵相乘上
人工智能必知必会-矩阵相乘下
