线性代数部分：

因为张量是机器学习中最基本的计算单元，所以对于张量的计算是学习机器学习中不可或缺的。而张量是另一种意义上的矩阵，张量的计算理所当然地遵循线性代数的很多规范，所以线性代数的知识也尤为重要。

先从最基本的标量开始，给单个元素就是标量（与前面张量运算的部分一样）：

可以通过torch.arange()生成一个数列，也可以叫列表list，可以通过索引来访问任一元素：

通过len()可以访问张量的长度：

可以shape看一下：

可见4是张量的长度，该张量只有一个轴，或是说只有一个维度。

通过指定行m和列n两个分量，可以创建一个形状为m x n的矩阵：

矩阵的转置（行变成列，列变成行）：

可以通过A == A.T的输出判断矩阵A是否为对称矩阵（symmetric matrix）：

相同形状的张量，任何按元素二元运算的结果，都必然是相同形状的张量：

补充：.clone()是深拷贝，这样A和B除了值相同之外没有任何关系，如果直接A = B，那么A和B其实只是指向同一内存空间的两个名称不同的变量罢了：

两个矩阵直接*，也就是按元素做乘法，称为哈达玛积（数学里面矩阵之间常做内积而不是元素按位积）：

如果是标量和多维张量之间做二元运算，其实是把标量与张量中的每一个元素做相同的二元运算，这里其实是广播机制在作用，标量被视作单行单列的矩阵和张量作运算：

对张量中的所有元素进行求和：

如果是第一个轴长为2（除去行和列的第三维）的张量做sum：

A.sum(axis=0)，在第0轴层面上求和：

也就是说，在第0轴上以加和的方式合并张量中的各个部分，可见A.sum(axis=0)的操作把张量进深这个维度合并掉了，而保留了行和列这两个轴，与之前的dim不一样。

分别对axis1和axis2进行尝试可以发现：

Axis1：保留了进深2，和列4，对每个矩阵的行分别进行了加和合并（所有行合成一行）；

Axis2：保留了进深2和行3，对每一列分别进行了合并，也可以理解为压缩或是拍扁。

由于合并了size(2, 3, 4)中的4，size变成了(2, 3)，所以最后的tensor看起来是一个二行三列的矩阵，但它其实是一个由两个三行一列的矩阵构成的张量。

也就是说，和dim的0，1，2分别对应行，列，进深不同，轴axis的0，1，2分别对应进深，行，列。另一个方面是，在axis上运算是会丢掉当前维度的，甚至将不同行的元素放在了同一行的各个列上，被丢掉的列得到了保持，而行这个维度却没了，后面会说不丢维度进行合并的方法。

所以，axis可以理解为是张量shape的索引。

也可以让张量在多个维度同时进行合并：

A.mean()可以求张量元素的平均值，和A.sum() / A.numel()等价：

（需要说明的是，mean函数不能求整形数据，需要把数据类型转换成浮点数再算均值）

当然也可以对轴求均值：

这俩表示形式也是等价的：

在axis上合并运算时，保持维度（轴数）不变的办法：

可以很明显地看到原本导致维度出现错误的问题由于keepdims=True得到了解决。其实本身在axis上操作的话，会把给定的axis从shape中去掉，而keepdims=True保证了给定的axis不被去掉，而是把shape的那个维度固定为1。

这么做的目的是为了利用广播机制进行进一步操作，因为keepdims可以通过将shape的维度固定为1从而保证出现单列矩阵：

A.cumsum(axis=*)：计算第*个轴的累加和：

说完了tensor的哈达玛积，来看看矩阵之间的乘法本该是啥样的：

向量的点积：可以通过torch.dot(a, b)来实现：

由于torch.dot()只能算一维张量（向量）的点积，所以它和先做元素乘法再求和的办法等价：

矩阵向量积：通过mv计算，也就是matrix-vector multiplication：

矩阵内积：通过mm计算，也就是matrix-matrix multiplication：

在张量计算中，除了哈达玛积之外，还有一种乘法也是数学上很少用的，叫做克罗内克积，它在多模态融合和自动控制的相关算法中比较常用，可以通过调用特定的包来实现。

机器学习中，张量计算常用于特征的提取和融合，另一个用途就是计算损失函数，最基础的损失函数通常都包含范数（norm），以下是简要的范数相关内容。

范数（norm）：

向量中一般用L_2（2是下标）范数，是向量元素平方和的平方根：

L_1范数：是向量元素的绝对值之和：

矩阵范数，最常用F范数（Frobenius norm）：是矩阵元素平方和的平方根：