学习笔记:
标量，向量，矩阵与张量
1、标量scalar
一个标量就是一个单独的数，一般用小写的的变量名称表示。
实数标量，令s∊ℝ表示一条线斜率。自然数标量，令n∊ℕ表示元素数目。
2、向量vector
一个向量就是一列数，有序排列。次序索引，确定每个单独的数。常粗体小写变量名称。
当需要明确表示向量中的元素时，会将元素排列成一个方括号包围的纵柱：
我们可以把向量看作空间中的点，每个元素是不同的坐标轴上的坐标。
3、矩阵matrix
矩阵是二维数组，其中的每一个元素被两个索引而非一个所确定。我们通常会赋予矩阵粗体的大写变量名称，比如A。 如果一个实数矩阵高度为m，宽度为n，那么我们说
矩阵这东西在机器学习中就不要太重要了！实际上，如果我们现在有N个用户的数据，每条数据含有M个特征，那其实它对应的就是一个NM的矩阵呀；再比如，一张图由1616的像素点组成，那这就是一个16*16的矩阵了。现在才发现，我们大一学的矩阵原理原来这么的有用！要是当时老师讲课的时候先普及一下，也不至于很多同学学矩阵的时候觉得莫名其妙了。
4、张量tensor
几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。 例如，可以将任意一张彩色图片表示成一个三阶张量，三个维度分别是图片的高度、宽度和色彩数据。
将这张图用张量表示出来，就是最下方的那张表格：
其中表的横轴表示图片的宽度值，这里只截取0319；表的纵轴表示图片的高度值，这里只截取04；表格中每个方格代表一个像素点，比如第一行第一列的表格数据为[1.0,1.0,1.0]，代表的就是RGB三原色在图片的这个位置的取值情况（即R=1.0，G=1.0，B=1.0）。
当然我们还可以将这一定义继续扩展，即：我们可以用四阶张量表示一个包含多张图片的数据集，这四个维度分别是：图片在数据集中的编号，图片高度、宽度，以及色彩数据。
张量在深度学习中是一个很重要的概念，因为它是一个深度学习框架中的一个核心组件，后续的所有运算和优化算法几乎都是基于张量进行的
标量可以看做0阶张量
向量可以看做1阶张量，或者1元矩阵
矩阵可以看做2阶张量
转置(transpose)
矩阵转置，以对角线为轴镜像。A的转置表为A⫟。(A⫟)i,j=Aj,i。向量可作一列矩阵。向量转置，一行矩阵。标量可看作一元矩阵。标量转置等于本身，a=a⫟。
深度学习，矩阵和向量相加，产生另一矩阵，C=A+b，Ci,j=Ai,j+bj。向量b和矩阵A每一行相加。无须在加法操作前定义一个将向量b复制到第一行而生成的矩阵。隐式复制向量b到很多位置方式，称广播(broadcasting)。
矩阵、向量相乘
单位矩阵
单位矩阵(identity matrix)，任意向量和单位矩阵相乘，都不会改变，保持n维向量不变的单位矩阵记In。In∊ℝ⁽n*n⁾。∀x∊ℝⁿ,Inx=x。单位矩阵结构简单，所有沿对角线元素都是1，其他位置所有元素都是0。
矩阵逆(matrix inversion)
