陷入了一个僵局，有关于张量的维度问题，因为学tensorflow的时候是从图像入手的，理解tensorflow的时候结合了图像这个特例，脑子中就形成了思维定式，然后现在用来做自然语言处理，发现脑子一直转不过弯来，一个普通的关于词嵌入的维度问题困扰了一周多....然后今天突然get到了一点点。
一、张量的维度
在tensorflow的高级keras工具包中，数据是以张量的形式表示的，张量的形状称之为shape，表示从最外层向量逐步到达最底层向量的降维解包过程。之前我是在脑子里构建了一个立体的三维RGB图像，确实学卷积的时候也是这样想：一个彩色图像，就是三层R,G,B的像素长方形叠加而成的，所以图像张量的大小就是（图像长度，图像宽度，通道数=3）。这个是很自然的事情，但是人脑又不能想象大于3维的四维空间具体是怎么样的，然后我就很难以理解张量的维度。
比如，一个一阶的张量[1,2,3]的shape是(3,);一个二阶的张量[[1,2,3],[4,5,6]]的shape是(2,3);一个三阶的张量[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)。看了这些例子后，才理解什么叫做从最外层向量逐步到达最底层向量的降维。[[1,2,3],[4,5,6]]的shape是(2,3)还可以这么表达：这个张量中，有2个大小为3的一阶张量。[[[1],[2],[3]],[[4],[5],[6]]]的shape是(2,3,1)，还可以表达成：有2个大小为3的二阶张量，每个二阶张量中3个大小为1的一阶张量。似乎有点那个意思了，原来这个张量的shape表示形式有点嵌套的意思。
现在给一个张量的shape为(1,2,3,4)，我们看看能不能写出它的一个特例来：
首先，最后一个维度为4，说明有大小为4的1阶张量，先写出来,：[0,1,2,3]
其次，倒数第二个维度为3，说明二阶张量的大小是3，然后二阶张量中还套着大小为4的一阶张量，那也就是说3个大小为4的一阶张量构成了一个二阶张量，那就先写3个1阶张量吧：[0,1,2,3],[4,5,6,7],[8,9,10,11]，好现在3个一阶张量写完了，再加一个中括号组合起来，就构成了一个我们想要的二阶张量：[[0,1,2,3],[4,5,6,7],[8,9,10,11]]
然后，倒数第三个维度是2，说明有2个如上的2阶张量构成了一个三阶张量，也就是说三阶张量的大小为2，好，现在我们要写2个如上的二阶张量[[0,1,2,3],[4,5,6,7],[8,9,10,11]]，[[12,13,14,15],[16,17,18,19],[20,21,22,23]]，现在再加一个中括号组合一下，得到：[[[0,1,2,3],[4,5,6,7],[8,9,10,11]],[[12,13,14,15],[16,17,18,19],[20,21,22,23]]]
最后，维度为1，说明有1个大小为2的三阶张量构成了四阶张量，加一个中括号就行：[[[[0,1,2,3],[4,5,6,7],[8,9,10,11]],[[12,13,14,15],[16,17,18,19],[20,21,22,23]]]]
其实这样写还是很麻烦，不好理解，上面是从后往前数，现在我们从前往后数，依然是写一个张量，它的shape为(1,2,3,4)：
我们先写最外层的括号，用红色表示第一个维度1：[ ]
现在逐个往里面添加括号，第二个维度为2，所以在红色括号中添加2个括号，用绿色表示：[[],[] ]
第三个维度为3，所以在绿色括号里添加3个括号，注意每次添加括号，都要在上一层的所有括号内进行，用紫色表示：[[[],[],[]],[[],[],[]] ]
第四个维度为4，所以在紫色括号里添加4个括号，用蓝色表示：[[[[],[],[],[]],[[],[],[],[]],[[],[],[],[]]],[[[],[],[],[]],[[],[],[],[]],[[],[],[],[]]] ]
二、问题