在機器學習中，張量（tensor)是一種基本資料結構，它充當多維數組，用於表示和操作複雜資料，張量將標量、向量和矩陣的概念推廣到更高維度，使其成為深度學習和人工智慧等各種應用的關鍵要素。
張量可以被視為一個用於儲存多維資料的容器。例如：
1） 標量（0維張量）是一個單獨的數字。
2）向量（1維張量）是一個一維數字數組。
3）矩陣（2維張量）是一個二維數組。
4）更高維度的張量（3維、4維等）可以表示更複雜的結構，例如影像或影片。
張量由其秩（維度數）和形狀（每個維度的大小）來表徵。例如，彩色影像可以表示為一個三維張量，其維度對應於高度、寬度和顏色通道（RGB）。影片可以表示為一個四維張量，增加了時間維度。
張量跟向量和矩陣類似，張量支援各種數學運算，包括加法、乘法以及更複雜的運算，例如卷積，卷積在深度學習的特徵提取中至關重要。
在機器學習中，張量是 TensorFlow 和 PyTorch 等機器學習框架不可或缺的一部分，這些框架旨在有效地處理張量運算，利用 GPU 的平行運算能力對張量進行運算，從而顯著加速機器學習模型的訓練和推理過程。
張量的應用：
1） 彩色影像：可以表示為一個三維張量，其中每個像素的顏色由三個值定義。如一張 256x256 像素的影像可以表示為形狀為 (256, 256, 3) 的張量。
2）影片：可以表示為一個四維張量，其維度可能對應於幀數、高度、寬度和顏色通道數。例如，一個包含 30 幀、每幀 256x256 像素的影片可以表示為形狀為 (30, 256, 256, 3) 的張量。
總之，張量是機器學習中一種用途廣泛且功能強大的資料結構，能夠以結構化的方式表示複雜資料，它們能夠泛化到多維空間，這使得它們對於現代機器學習應用（尤其是在深度學習中）至關重要，因為它們可以有效地處理高維度資料。
