TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？
0维张量标量 标量是一个数字
1维张量/向量 1维张量称为“向量”。
2维张量 2维张量称为矩阵
3维张量 公用数据存储在张量 时间序列数据 股价 文本数据 彩色图片(RGB)
在Python中，张量通常存储在Nunpy数组，Numpy是在大部分的AI框架中，一个使用频率非常高的用于科学计算的数据包。在Python中，张量通常存储在Nunpy数组，Numpy是在大部分的AI框架中，一个使用频率非常高的用于科学计算的数据包。同样，在深度学习中，我们使用张量水桶作为基本的乐高积木。
一维张量：数组 可以使用NumPy’s ndim函数，查看张量具有多少个坐标轴
二维张量：矩阵 矩阵的行和列能转换和操作，从而使列变为行或者行变为列，也就是100×10或者10×100不一定，np可以自由的resize和reshape
三维张量：立方体 3维张量最好视为一个立方体，有长宽高这样的。一张图片有三个参数：高度、宽度和颜色深度。（例如，RGB为三通道）
(width, height, color_depth) = 3D
四维张量：多张图片同时输入，我们就会用到4D张量，一张图片是3D张量，一个图片集则是4D，第四维是样本大小。
(sample_size, width, height, color_depth) = 4D
[什么是tensor][https://blog.csdn.net/qq_31821675/article/details/79188449]