昨天我們已經在 Google Colab 準備好環境，
今天就要正式踏出深度學習的第一步 - 認識 「張量」 （Tensor）。
很多人第一次聽到這個詞都會覺得很抽象，甚至會想：「這東西我真的懂得了嗎？」，
這東西聽起來又要勾起大家高中數學不好的回憶了...
但其實不用害怕，張量大概的意思其實是 「資料在電腦裡的表現形式」 。
可以把它想像成表格或 Excel 裡的資料，只是形狀不同而已。

下面就來稍微介紹一下什麼是「張量」吧。

什麼是張量？

張量（Tensor）這個詞聽起來很專業，但其實背後的意思並非大家想的複雜。
可以把它想像成 「裝數字的盒子」 ，
這個盒子可以是一顆小球、一條線、一張表，甚至是一個立體方塊，
差別就在於它能裝多少層數字。
我們先來根據不同的維度介紹一下他們的名詞:

0 維（Scalar，純量） :
就像一顆小球，裡面只有一個數字，例如 7。

1 維（Vector，向量） :
把很多小球排成一條線，就變成一組數字，例如 [1, 2, 3]。

2 維（Matrix，矩陣） :
如果把這些數字排成一張表格，就變成像 Excel 的表，例如：

3 維以上（Tensor，張量） :
想像一下，把很多張表格一疊一疊疊起來，變成立體的方塊。
這時候它就叫做 「張量」 。如果再多疊幾層，就是 4 維、5 維，一直往上加。

所以根據我們上方的描述，你可以這樣記：
張量就是一種 「數字的集合」 ，形狀可能是一顆球、一條線、一張表，甚至是一個方塊。
而在深度學習中，所有資料最後都會變成張量：

舉例來說: 一張圖片就是一個三維的張量（高 × 寬 × 顏色）。
一段文字也會變成數字序列，組成張量。
甚至 Excel 裡的行銷數據，也能轉成向量或矩陣，交給 AI 使用。

為什麼要用 NumPy？

在開始前，我們先來說清楚 NumPy 是什麼:
NumPy 這個名字來自 Numerical Python，也就是「數值運算的 Python」。
它是一個專門幫 Python 處理數學計算的函式庫。
就像平常我們在 Excel 裡面可能會用加總、平均或矩陣公式一樣，
NumPy 就是給 Python 一整套更快、更方便的 「數學工具包」 。

NumPy 最厲害的地方在於，它處理大量數字的效率非常高。
因為 NumPy 背後其實是用 C 語言實作的，
換句話說，它在運算時比單純用 Python 內建功能快很多。
如果你要操作一個幾千乘幾千的矩陣，
用 Python 內建的 list 來跑，可能會慢到讓你懷疑人生，
但如果用 NumPy，只要一行程式就能瞬間完成。

參考資料:
https://zh.wikipedia.org/zh-tw/NumPy

那為什麼在學深度學習的第一步，我們要用 NumPy 呢？
原因主要有以下幾點：

理解張量運算的基礎工具:

深度學習裡所有的模型，最後都是在處理矩陣和向量的運算。
NumPy 就像是一個訓練場，你可以先用它來熟悉加法、乘法、轉置這些基本操作，
這樣等你進入 TensorFlow 或 PyTorch 這些框架時，就不會一頭霧水。

語法簡單，效率高:

如果你要自己寫程式去處理數字，不僅麻煩而且速度慢；
但用 NumPy 只要一行程式碼就能完成，而且執行速度非常快。
這讓我們可以更專心在理解 AI 的邏輯，而不是被程式細節卡住。

和其他工具高度相容:

NumPy 幾乎是所有資料科學與 AI 函式庫的基礎。
像 Pandas（資料處理）、Matplotlib（繪圖）、
甚至 TensorFlow 和 PyTorch，底層都是靠 NumPy 來進行數值運算。
也就是說，你現在學會了 NumPy，等於在未來學其他工具時，已經打好基礎。

實作：用 NumPy 建立張量

在 Colab 新建一個 Notebook，然後輸入以下程式碼：

import numpy as np

# 0 維：純量
scalar = np.array(7)
print("Scalar:", scalar)
print("Shape:", scalar.shape)

# 1 維：向量
vector = np.array([1, 2, 3])
print("\nVector:", vector)
print("Shape:", vector.shape)

# 2 維：矩陣
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print("\nMatrix:\n", matrix)
print("Shape:", matrix.shape)

# 3 維：張量
tensor = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("\nTensor:\n", tensor)
print("Shape:", tensor.shape)

你會看到執行的結果如圖:

而這個結果中的 「Shape」 就是張量的形狀，來描述它的維度。

張量在職場應用的例子

也許你會問:張量這麼數學化的東西，和職場有什麼關係？
但其實他可以運用在很多不一樣的地方，以下我就來舉幾個例子:

在行銷分析裡，一份顧客的資料（年齡、收入、購買紀錄），
其實就是一個向量；
而在客服領域，一段文字（例如顧客留言）也會被轉換成詞向量（Word Embedding），
這也是一種張量；
最後在製造業中，產品拍攝下來的影像，
其實就是一個三維張量： 高度 × 寬度 × 顏色 。

所以當你看過這些例子後你會發現，其實你每天看到的數據，背後其實都能用張量來表示。

到這裡，我們就已經成功邁出了深度學習的第一步 - 了解張量。
未來我們要訓練的模型，大部分處理的就是這些張量資料。
掌握好它，離成功學習AI就又向前了一大步。