De un número, a una secuencia de números, y luego a una tabla—cuando las dimensiones continúan aumentando, obtenemos un tensor. Es el contenedor más universal para describir datos en el mundo de la IA.

Orden 0
Escalar (Scalar)Un número
Orden 1
VectorUna secuencia de números
Orden 2
Matriz (Matrix)Una tabla
Orden 3+
TensorUna tabla apilada una vez más
1. Introducción intuitiva

1. Introducción intuitiva: ¿qué es realmente un tensor?

Primero, ignoremos las fórmulas y miremos una foto. Una pequeña imagen en color de 3×3 píxeles, cada píxel tiene tres valores de brillo R, G, B. Para describir completamente esta imagen, necesitas coordenadas en tres direcciones:Qué fila, qué columna, qué canal de color。

Esto es un "tensor de tercer orden"—no es un concepto nuevo y misterioso, solo es la idea de "tabla" extendida una capa más a lo largo de la tercera dirección. Puedes entenderlo como "matrices apiladas en múltiples capas".

Entenderlo en una frase:Un escalar es un punto, un vector es una fila de puntos, una matriz es una superficie, y un tensor es apilar "superficies" a lo largo de más direcciones. El orden (rank) es "cuántas coordenadas se necesitan para localizar un elemento".
2. Definición matemática

2. Definición matemática

2.1 Expresión unificada del escalar al tensor

En esencia son lo mismo: un objeto cuyos valores se indexan mediante varias coordenadas, solo que el número de índices es diferente.

NombreOrdenCoordenadas necesarias para localizar un elementoNotación
Escalar00$s$
Vector11: el $i$-ésimo$v_i$
Matriz22: fila $i$, columna $j$$M_{ij}$
Tensor$n$$n$ coordenadas$T_{i_1 i_2 \dots i_n}$

2.2 Forma (Shape)

La "forma" de un tensor describe cuántos elementos tiene en cada dirección. Para la imagen RGB de 3×3 de esta lección:

$$ \text{shape}(T) = (3,\ 3,\ 3) \quad \text{corresponde a } (\text{filas}, \text{columnas}, \text{canales}) $$

El número total de elementos en un tensor es el producto de todos los números en la forma:

$$ \text{total de elementos} = \prod_{k=1}^{n} d_k $$

Aquí $d_k$ es el tamaño de la $k$-ésima dimensión. En el ejemplo anterior, el número total de elementos es $3 \times 3 \times 3 = 27$.

2.3 Suma de dos tensores

Para tensores con la misma forma, la suma consiste en sumar los elementos en posiciones correspondientes. Esto es consistente desde vectores y matrices hasta tensores de orden superior:

$$ (A + B)_{i_1 i_2 \dots i_n} = A_{i_1 i_2 \dots i_n} + B_{i_1 i_2 \dots i_n} $$

3. Práctica con Python

3. Práctica con Python

Ejecuta con NumPy el ejemplo de la imagen RGB de 3×3 anterior para sentir intuitivamente los dos conceptos de "orden" y "forma".

3.1 Crear un tensor de tercer orden

import numpy as np

# 模拟一张 3x3 像素的彩色小图,最后一维是 RGB 三个通道
image_tensor = np.random.randint(0, 256, size=(3, 3, 3))

print("阶数 (ndim):", image_tensor.ndim)
print("形状 (shape):", image_tensor.shape)
print("元素总数 (size):", image_tensor.size)
Orden (ndim): 3 Forma (shape): (3, 3, 3) Número total de elementos (size): 27

3.2 Acceder a valores por coordenadas

# 取第 0 行、第 1 列、G 通道(索引 1)的像素值
pixel_g = image_tensor[0, 1, 1]
print("该位置 G 通道值:", pixel_g)

# 取第 0 行、第 1 列的完整 RGB 三个值(一个 1 阶张量,即向量)
pixel_rgb = image_tensor[0, 1, :]
print("该位置 RGB 向量:", pixel_rgb)
Valor del canal G en esa posición: 143 Vector RGB en esa posición: [ 87 143 22]
Observa:Con slicing[0, 1, :]El resultado extraído de un tensor de tercer orden es un tensor de primer orden (vector). Esto muestra que "fijar varias coordenadas en un tensor de orden superior produce un tensor de orden inferior"—esta regla se usará repetidamente más adelante cuando se hable del procesamiento de datos por lotes en redes neuronales.
4. Visualización 3D

4. Visualización 3D: "ver" el tensor

A continuación, usa Plotly para dibujar este tensor 3×3×3 como 27 puntos en el espacio: los tres ejes de coordenadas corresponden a "filas, columnas, canales", y la intensidad del color de cada punto representa el valor numérico en esa posición. Arrastra el mouse para rotar la vista.

Distribución espacial del tensor 3×3×3 · Cuanto más brillante el color, mayor el valor

Observa con atención: manteniendo fija la capa de "canales", verás un plano de 3×3—que es precisamente un tensor de segundo orden (matriz). Esta es también la razón por la que decimos que "la matriz es un caso especial del tensor".

5. Relación con la IA

5. Relación con la IA

La razón por la que el tensor es la estructura de datos más central en los frameworks de aprendizaje profundo (PyTorch, TensorFlow) es que casi todos los datos de IA pueden representarse naturalmente como tensores:

Tipo de datosForma típicaSignificado de cada dimensión
Vectores de palabras de un texto(longitud de secuencia, dimensión del vector de palabras)Qué palabra, qué dimensión del vector de palabras
Una imagen en color(alto, ancho, canales)Filas, columnas, canales RGB
Un lote de imágenes en color(tamaño de lote, alto, ancho, canales)Qué imagen, más las tres dimensiones de la propia imagen
Un video(número de fotogramas, alto, ancho, canales)Qué fotograma, más las tres dimensiones de la imagen de un solo fotograma

Se puede ver que el "tamaño de lote (batch size)", el parámetro que más se ajusta durante el entrenamiento, esencialmente añade una dimensión más al tensor. Si entiendes el orden y la forma de un tensor, cuando depures modelos y veasshape mismatchun error, podrás localizar inmediatamente qué dimensión no coincide.

Más contenido:https://www.example.com/ai-math/ai-math-tutorial.html