在機器學習中，分類問題中的某個類別叫作**類**（class）。數據點叫作**樣本**（sample）。某 個樣本對應的類叫作**標簽**（label） ~~~ ## 1、張量（tensor） 存儲在多維 Numpy 數組中的數據，可以簡單理解 張量這一概念的核心在于，它是一個數據容器。它包含的數據幾乎總是數值數據，因此它 是數字的容器。你可能對矩陣很熟悉，它是二維張量。 張量是矩陣向任意維度的推廣［注意， 張量的維度（dimension）通常叫作軸（axis）］ ~~~ 1.1 標量（0D 張量） 僅包含一個數字的張量叫作標量（scalar，也叫標量張量、零維張量、0D 張量）。 1.2 向量（1D 張量） 數字組成的數組叫作向量（vector）或一維張量（1D 張量）。一維張量只有一個軸。 1.3　矩陣（2D 張量） 向量組成的數組叫作矩陣（matrix）或二維張量（2D 張量）。矩陣有 2 個軸（通常叫作行和 列）。你可以將矩陣直觀地理解為數字組成的矩形網格。 1.4 3D 張量與更高維張量 將多個矩陣組合成一個新的數組，可以得到一個 3D 張量，你可以將其直觀地理解為數字 組成的立方體 1.5 張量切片（tensor slicing） 選 擇張量的特定元素叫作。