20260328 0 维 Tensor

0 维 Tensor（零维张量）在数学、计算机科学和深度学习（如 PyTorch、TensorFlow）中，最通俗的叫法就是标量（Scalar）。

它就是一个单独的数字，没有任何维度、方向、轴（axes）或形状。

为了更好地理解，我们可以把张量（Tensor）看作是一个数据的“容器”，而维度（Dimension 或 Rank）代表访问这个容器中的某个具体数字需要几个“索引”：

• 0 维张量（标量 Scalar）：例如 5 或 -3.14。由于它只是一个孤立的数字，你不需要任何索引就能拿到它的值。

• 1 维张量（向量 Vector）：例如 [1, 2, 3]。你需要 1 个索引来获取具体的数字（例如：第 0 个位置是 1）。

• 2 维张量（矩阵 Matrix）：例如一个表格。你需要 2 个索引（行和列）来定位一个数字。

• 3 维张量及以上（多维张量）：例如一张彩色的图片（高度、宽度、RGB通道），你需要 3 个索引。

在代码中的表现

在主流的科学计算和深度学习框架中，0 维张量有着非常明确的属性：它的形状（Shape）是空的。

在 PyTorch 中：

Python

import torch

# 创建一个 0 维张量
x = torch.tensor(42)

print(x.dim()) # 输出: 0 (代表 0 维)
print(x.shape) # 输出: torch.Size([]) (形状为空，因为它没有长度和宽度)
print(x.item()) # 输出: 42 (使用 .item() 可以将 0 维张量转换回 Python 原生的基础数字)

在 NumPy 中：

Python

import numpy as np

# 创建一个 0 维数组
y = np.array(42)

print(y.ndim) # 输出: 0
print(y.shape) # 输出: ()

为什么我们需要 0 维张量？

在深度学习训练中，0 维张量极其常见。例如：

1. 损失值（Loss）：模型在训练过程中的误差（如 Loss = 0.034）通常是一个 0 维张量。

2. 准确率（Accuracy）：评估模型好坏的最终百分比。

3. 学习率（Learning Rate）：控制模型更新步长的参数。