“张量”是一个非常笼统的术语，意思是N 维数组。张量可以是 0 维（标量）、1 维（向量）、2 维（矩阵）等等……张量是一个非常包容的术语，表示上面列出的所有内容。有时，人们使用“张量”来指代高维对象，如下所述：

虽然从技术上讲，上述所有构造都是有效的张量，但通俗地说，当我们谈到张量时，我们通常是指将矩阵概念推广到 N ≥ 3 维。那么，我们通常只会将 3 维或更多维的张量称为张量，以避免混淆 [...]

但请记住，这只是一种实践，N 维数组在技术上是一个张量。

来到你的问题，如果张量更像：

[1, 1]

或者

[[1,1],
 [1,1]]

首先，它们分别看起来像 Python 列表和列表列表。严格来说，Python 列表不是数学对象。如果您 import numpy，将它们描述为更正确：

numpy.array([ 1, 1 ])

和

numpy.array([[ 1, 1 ],
             [ 1, 1 ]])

现在这些对象具有向量-矩阵-张量的数学特性。我认为它们都可以被认为是不同种类和等级的张量。第一个是等级 1，另一个是等级 2。

关于张量的其他有用资源是这个问题和这个解释。

@Leevo 已经很好地解释了它。或者，只需询问 Pytorch：

import torch
x = torch.tensor([1, 1])
y = torch.tensor([[ 1, 1 ], [ 1, 1 ]])
print("x dimension: {}".format(x.dim()))
print("y dimension: {}".format(y.dim()))

给出：

x dimension: 1
y dimension: 2

因此，您的第一个具有一个人的年龄和身高的向量/张量（！）只有一个维度，而您的第二个向量/张量有两个维度。

在 Python 中，您可以将向量维度视为list-of-lists-of-lists-of...。

所以，

1. 列表= 1D
2. 列表列表= 2D
3. 列表列表列表= 3D
4. 等等...

[1,1] # 1D

[[1,1],
 [1,1]] # 2D

[[[1,1],
  [1,1]],
 [[1,1],
  [1,1]]] # 3D

然后你提到：

然后你添加另一个维度，即他的高度，所以你有一个二维向量。

我认为这可以从两个方面来解释：

[<age>] # 1D of size 1x1


# You can add height and make it 2D
[[<age>],
 [<height>]] # 2D of size 2x1

# or, add height and keep it 1D
[<age>, <height>] # 1D of size 1x2