矩阵：可理解为二维数组、二维张量

向量Vector：是只有一列的矩阵

张量：是矩阵向任意维度的推广。

机器学习经常会用到张量做变换，所以下文重点介绍张量。

可以通过.ndim查看numpy数据的张量维度。张量的维度（dimension）也叫轴（axis），从有几个轴 （几个不同方向）角度就很好理解了。

• 标量和一维张量

如下图x0是0维张量，也叫标量；x1和x2只有一个维度，是一维张量。

• 二维张量

y1是二维张量，形状为(3,5)，也是3行5列的矩阵。

y1的第一维（第一轴方向的上）可以看最外层的[ ]。相当于这个方向上有3个元素 [ v1,v2,v3 ]，所以第一维大小为3。

y1的第二维（第二轴方向的上）可以看里面一层的[ ]。如 [5, 78, 2, 34, 0] 在这个方向上有5个元素，所以第二维大小为5。

• 三维张量

3维张量同样从最外层的[ ] 看起，最外层的[ ] 中只有一个矩阵元素，所以该方向大小为1；中间一层的[ ]包含 [ v1,v2,v3 ] 3个一维数组元素，所以该方向大小为3；最内层是[5, 78, 2, 34, 0] 包含5个数值元素，所以该方向大小为5。综上，y张量是(1,3,5)的3维张量。

最后再举个3维张量的例子：