На этом шаге мы рассмотрим тензоры более высокого порядка.
Если упаковать такие матрицы в новый массив, получится трехмерный тензор, который можно представить как числовой куб. Ниже приводится пример трехмерного тензора в NumPy:
>>> x = np.array([[[5, 78, 2, 34, 0],
[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]],
[[5, 78, 2, 34, 0],
[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]],
[[5, 78, 2, 34, 0],
[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]]])
>>> x.ndim
3
Упаковав трехмерные тензоры в массив, вы получите четырехмерный тензор - и т. д. В глубоком обучении чаще всего используются тензоры от нулевого ранга до четырехмерных, но иногда (например, при обработке видеоданных) дело может дойти и до пятимерных.
На следующем шаге мы рассмотрим ключевые атрибуты тензора.
