在深度学习（以及通常的机器学习）中，张量是多维数组。您可以对这些多维数组执行一些操作（也取决于具体的实现和库）。这些操作类似于您可以应用于向量或矩阵的操作，这只是多维数组的特定示例。这些操作的示例是

• 索引和切片（如果你熟悉 Python，这些术语应该不会吓到你）
• 代数运算（例如一个张量与另一个张量相乘，包括数字、向量或矩阵），通常支持广播
• 重塑（即改变张量的形状）
• 转换为另一种格式（例如字符串）或从另一种格式转换

TensorFlow 提供了一篇讨论这些张量的文章，因此我建议您阅读它。

在数学中，张量不仅仅是多维数组。它们是需要满足某些属性的多维数组（就像矩阵需要满足某些属性才能称为矩阵一样）并配备了某些操作。

IEEE 发表的论文A Survey on Tensor Techniques and Applications in Machine Learning (2019) Yuwang Ji 等人对数学中的张量进行了全面概述。它充满了说明概念的图表，并且解释简洁。本文中的一些解释可能对开发深度学习应用程序不是很有用，但是一些插图和解释（尤其是在第一页，这是我读过的唯一几页）会给你一些关于张量背后的直觉或用于深度学习的多维数组）。

因此，深度学习（DL）中的张量可能不完全等同于数学中的张量对象，因为它们可能不满足所有必需的属性或者特定库中的某些操作可能无法实现，但可以调用它们是张量，因为数学中的张量也是一个多维数组，您可以对其应用操作（其中一些在 DL 库中实现）。