0维-一个类别
1维-一个特征向量
2维一个样本的特征矩阵，每一行表示一个样本，每一列表示一个特征
3维一个RGB图片宽，高，通道
4维一个RGB图片批量：批量大小、宽、高、通道
5维视频批量，批量大小、时间、宽、高、通道
通常定义的三维矩阵，一层就是一片吐司，一个吐司就是一个二维矩阵，有n行m列，这里假设有c片吐司，那这个三维矩阵的shape就是（c,n,m）
N维数组是机器学习和神经网络的主要数据结构
Numpy的ndarray
PyTorch和TensorFlow中的Tensor（张量）
创建数组：
形状：例如3*4矩阵
每个元素的数据类型：例如32位浮点数
每个元素的值，例如全0，随机数...
访问元素：
访问一个元素[1,2]
一行[1,:]
一列[:,1]
子区域[1:3,1:] [1,3)行,[1,)列
子区域[::3,::2] 行每三个一跳，列每两个一跳
总结：
，的参数是行和列，:的参数是左开右闭的区间，::这个形式有三个参数，前两个是左开右闭的区间，最后一个是跳数
数据操作实现：
张量：表示一个数值组成的数组，这个数组可能有多个维度
x.shape访问张量的形状和张量中元素的总数，一维数组，12个元素
x.numel()元素的总数
改变一个张量的形状，而不改变元素数量和元素值，我们可以调用reshape函数
使用全0、全1、其他常量或从特定分布中随机采样的数字
通过提供包含数值的python列表，来为所需张量中的每个元素赋予确定值
一些运算：
把多个张量连结在一起
通过逻辑运算符构建二元张量
对张量中的所有元素进行求和，会产生只有一个元素的张量
