神經網路使用的資料儲存在多維Numpy陣列中，也叫張量（tensor）。

張量是一個數據容器，張量的維度（dimension）通常叫做軸（axis）。

1. 標量（0D張量）

僅含一個數字的張量叫做標量（scalar，也叫標量張量、零維張量、0D張量）。在Numpy中，一個float32或float64數字就是一個標量張量（或標量陣列）。可以用ndim屬性來檢視一個Numpy張量的軸的個數。標量張量有0個軸（ndim == 0）。張量軸的個數也叫做階（rank）。
eg：

2. 向量（1D張量）

數字組成的數字叫做向量（vector）或一維張量（1D張量）。
eg：

注：5D向量和5D張量不同，5D向量只有一個軸，沿著軸有5個維度，而5D張量有5個軸，沿著每個軸可能有任意個維度

維度（dimensionality）可以表示沿著某個軸上的元素個數，也可以表示張量中軸的個數。

3. 矩陣（2D張量）

向量組成的陣列叫矩陣（matrix）或二維張量（2D張量）。矩陣有2個軸（也叫行和列）。

4. 3D張量與更高維張量

將多個矩陣組成一個新的陣列，可以得到一個3D張量。
將多個3D張量合成一個數組，可以建立一個4D張量。
以此類推，深度學習處理的一般是0D到4D的張量，但處理視訊資料時可能會遇到5D張量。

5. 關鍵屬性

1）軸的個數（階）

例如，3D張量有3個軸，矩陣有2個軸，這在Numpy等python庫中也叫做張量的ndim。

2）形狀

整數元組，表示張量沿每個軸的維度大小（元素個數）。例如，矩陣的形狀可以為(3,5)，3D張量的形狀可以為(3,3,5)。向量的形狀只包含一個元素，比如(5,)，而標量的形狀為空，即()。

3）資料型別（在python庫中通常叫做dtype）

例如，張量的型別可以是float32、unit8、float64等。

6. 現實世界中的資料張量

1）向量資料

2D張量，形狀為 (samples, features)。

2）時間序列資料或序列資料

3D張量，形狀為 (samples, timesteps, features)。

3）影象

4D張量，形狀為 (samples, height, width, channels) 或 (samples, channels, height, width)。

4）視訊

5D張量，形狀為 (samples, frames, height, width, channels) 或 (samples, frames, channels, height, width)。

7. 廣播

形狀不同的張量相加，較小的張量會被廣播（broadcast）以匹配較大張量的形狀。廣播包含以下兩步：
1）向較小的張量新增軸（廣播軸），使其ndim與較大的張量相同。
2）將較小的張量沿著新軸重複，使其形狀與較大的張量相同。