版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u012193416/article/details/86563523
Tensor 张量，在 tf 中所有的数据都通过张量流来传输，在 tf 中张量的维数被描述为‘阶’，张量是以 list 的形式存储的，但不是 list ，list 中有几重括号，对应的张量就是几阶。t = [[1,2],[1,3]],就是一个二阶张量。实际上，一阶张量可以理解成向量，二阶张量是矩阵，但是张量的维度可以很高。三维张量可以理解成一系列的存储的二维张量，有三个坐标轴，也就是list里面套list，在套list。三维张量是一个数字构成的立方体，三维张量的继续堆叠就可以得到4维张量，图像信息就可以存储成4为张量，样本量往往占据张量的第四个维度，也就是 tf 中的batch，即（batch，width,height,depth）,遥感影像由于光谱维度的存在是一个五维张量。视频流也是需要5D张量的，即（batch,frames,width,height,depth）.
如我们考察一端5分钟，1080HP(1920*1080pixel),每秒15帧（总共4500帧），颜色深度为3，我们用4D张量来存储：
（4500,1920,1080,3）
我们用五维张量来存储，假设要处理10端这样的视频流：
（10,4500,1920,1080,3）
这个五维张量中值的数目为：10*4500*1920*1080*3=279936000000，如果采用32bit或64bit的浮点数来存储，计算量是相当和内存要求都是相当高的，所以要减少输入数据量，当然也要量化。
t = [[1,2],[1,3]] 是一个二阶张量，shape为[2,2]，以此类推
其实 N 维数组都统称为 tensor 张量。