D'un seul nombre, à une séquence de nombres, à un tableau — lorsque les dimensions ne cessent d'augmenter, on obtient un tenseur. C'est le conteneur le plus universel pour décrire des données dans le monde de l'IA.
1. Introduction intuitive : Qu’est-ce qu’un tenseur exactement ?
Ne regardons pas d’abord les formules ; regardons une photo. Une petite image couleur de 3×3 pixels, chaque pixel possède trois valeurs de luminosité : R, G, B. Pour décrire complètement cette image, il faut des coordonnées dans trois directions :Quelle ligne, quelle colonne et quel canal de couleur。
Il s’agit d’un « tenseur d’ordre trois » — ce n’est pas un concept nouveau mystérieux, mais simplement l’idée d’un « tableau » étendu d’une couche supplémentaire selon une troisième direction. Vous pouvez le comprendre comme « plusieurs matrices empilées ensemble ».
2. Définition mathématique
2.1 Représentation unifiée du scalaire au tenseur
Ce sont essentiellement la même chose : un objet dont les valeurs sont indexées par plusieurs coordonnées, seul le nombre d’indices diffère.
| Name | Rank | Combien de coordonnées sont nécessaires pour localiser un élément | Notation |
|---|---|---|---|
| Scalaire | 0 | 0 | $s$ |
| Vecteur | 1 | 1 : le $i$-ième | $v_i$ |
| Matrix | 2 | 2 : la $i$-ième ligne et la $j$-ième colonne | $M_{ij}$ |
| Tenseur | $n$ | $n$ coordonnées | $T_{i_1 i_2 \dots i_n}$ |
2.2 Forme
La « forme » d’un tenseur décrit combien d’éléments il possède dans chaque direction. Pour l’image RGB 3×3 de ce cours :
$$ \text{forme}(T) = (3,\ 3,\ 3) \quad \text{correspond à } (\text{ligne}, \text{colonne}, \text{canal}) $$
Le nombre total d’éléments dans un tenseur est le produit de tous les nombres de sa forme :
$$ \text{nombre total d’éléments} = \prod_{k=1}^{n} d_k $$
Ici, $d_k$ est la taille de la $k$-ième dimension. Dans l’exemple ci-dessus, le nombre total d’éléments est $3 \times 3 \times 3 = 27$.
2.3 Addition de deux tenseurs
Pour les tenseurs de même forme, l’addition s’effectue en additionnant les éléments aux positions correspondantes. Cela vaut de manière cohérente des vecteurs et matrices aux tenseurs d’ordre supérieur :
$$ (A + B)_{i_1 i_2 \dots i_n} = A_{i_1 i_2 \dots i_n} + B_{i_1 i_2 \dots i_n} $$
3. Python en pratique
Utilisez NumPy pour parcourir l’exemple d’image RGB 3×3 ci-dessus et vous faire une idée intuitive des deux concepts de « rang » et de « forme ».
3.1 Créer un tenseur du troisième ordre
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)
3.2 Accéder aux valeurs par coordonnées
# 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)
[0, 1, :]Le résultat obtenu à partir d’un tenseur du troisième ordre est un tenseur du premier ordre (vecteur). Cela montre que « fixer quelques coordonnées dans un tenseur d’ordre supérieur donne un tenseur d’ordre inférieur » — cette règle sera utilisée à plusieurs reprises plus tard lors de la discussion du traitement des données par lots dans les réseaux de neurones.4. Visualisation 3D : « Voir » le tenseur
Ci-dessous, nous utilisons Plotly pour dessiner ce tenseur 3×3×3 sous forme de 27 points dans l’espace : les trois axes de coordonnées correspondent respectivement à « ligne, colonne, canal », et l’intensité de couleur de chaque point représente l’amplitude de la valeur à cette position. Faites glisser la souris pour faire pivoter la vue.
Observez attentivement : gardez la couche « canal » fixe, et vous verrez un plan 3×3 — c’est exactement un tenseur du second ordre (une matrice). C’est aussi pourquoi nous disons qu’« une matrice est un cas particulier d’un tenseur ».
5. Lien avec l’IA
La raison pour laquelle les tenseurs sont la structure de données centrale dans les frameworks d’apprentissage profond (PyTorch, TensorFlow) est que presque toutes les données d’IA peuvent être naturellement représentées sous forme de tenseurs :
| Type de données | Forme typique | Signification de chaque dimension |
|---|---|---|
| Vecteurs de mots d’un texte | (longueur de séquence, dimension du vecteur de mot) | Quel mot, et quelle dimension du vecteur de mot |
| Une image couleur | (hauteur, largeur, canaux) | ligne, colonne, canaux RVB |
| Un lot d'images couleur | (taille du lot, hauteur, largeur, canaux) | Quelle image, plus les trois dimensions de l'image elle-même |
| Un clip vidéo | (nombre de trames, hauteur, largeur, canaux) | Quelle trame, plus les trois dimensions d'une image à trame unique |
On peut voir que « taille du lot », le paramètre le plus couramment ajusté pendant l'entraînement, revient essentiellement à ajouter une dimension supplémentaire au tenseur. Une fois que vous comprenez le rang et la forme d'un tenseur, lorsque vous voyezshape mismatchune erreur, vous pouvez immédiatement localiser quelle dimension ne correspond pas.
Plus de contenu :https://www.example.com/ai-math/ai-math-tutorial.html