對於相片：

浮點數是神經網絡模型運算時所使用的資料型別，所以我們需要先將輸入資料的編碼（可能像素值）轉換成浮點數，經過層層的神經元之後，在最後結果再輸出成需要的格式。
神經層會正向傳播將處理好的資料給下一層，如果層數比較多的時候每一段可能負責偵測的都不相同，通常後段的神經層會服仄較於前段複雜的結構。深度學習中模型可以從輸入資料搜集輪廓的浮點數，再萃取正向傳播後的結果。

張量（Tensor）：可以把它視為存放資料的容器，用來表示深度學習函數（向量矩陣或其他維度的資料）的特殊資料結構。
NumPy是目前最普遍的多維陣列函式庫，幾乎可以說是資料科學的通用語言，PyTorch的特色之一就是可以很好的和NumPy整合，同時與Python中的其他資料科學函式庫（SeiPy、Scikit-learn和Pandas）相容通用。

項目|NumPy |PyTorch
------------- | -------------
數據形式 |陣列 |張量
硬體加速 |CPU |GPU

張量可以在GPU上快速運算、在多個設備上平行運算以及能夠追蹤創建張量過程中的運算圖。

現實中的資料變成張量

相片：

當一張照片分成很多小格的像素值時，毀一小格會因為顏色的差異產生不同的純量，之後再剁項數值進行正規劃（除以255），或是標準化那些純量，才能得出浮點數並且放置到張量中。

表格：

PyTorch張量中主要是放置浮點數，但也支援布林值和整數。但神經網路是一種輸入輸出格式皆為浮點數的函數，所以我們必須將現實生活中的任何數據都轉換成浮點數才能提供神經網路進行模型訓練。