Python Pytorch张量形

我有一个关于两个不同张量的形状的简单问题-

tensor_1

和

tensor_2

tensor_1.shape

输出

torch.Size（[784,1]）

tensor_2.shape

输出

torch.Size（[784]）

我知道第一个是秩-2张量，而第二个是秩-1张量。对我来说，很难概念化形状

[784，1]

和

[784]

之间的区别

认为张量有784行和1列，每个位置都有一个标量是正确的吗？如果是这样的话，为什么我们不能简单地称它为列向量（实际上是秩1张量），它也有垂直显示的值

---

类似地，第二个张量（

[784]

）的形状可以想象为水平向量内的784个值吗？

由于其尺寸，您不能将

张量1

称为列向量。索引特定张量是在2D中完成的
例如<代码>张量1[1,1]

说到张量2，它是一个只有一维的标量张量。
当然，你可以使它有一个张量1的形状，只要做

tensor_2 = tensor_2.unsqueeze(1)   #This method will make tensor_2 have a shape of tensor_1

---

你对将Pytorch概念映射到数学概念有点太抱希望了。例如，在Pytorch中，行向量和列向量之间没有区别。只有排名1的向量。@Aryamcarthy，谢谢！我需要这个澄清谢谢你，普拉约特。这是有道理的。也许这是一个愚蠢的问题，但是有一个形状为

[784，1]

的

张量1

而不是仅仅

[784]

（与

张量2

相同）背后的具体原因是什么？我们可以通过

tensor\u 1.view（784）

轻松地将

[784,1]

重塑为

[784]

，并降低维度。有许多原因可以解释

[784,1]

的形状。一个原因是批次。当您有单值输入时，您希望通过批次发送它，并且损失函数希望您的值是2D形状，而不是1D形状。