一、标量（Scalar）

定义

标量是只有大小（数值）而没有方向的量，是最基础的数据类型。

特点

• 维度：0 维（无方向）。
• 表示：通常用单个数值表示，如整数、浮点数。
• 运算：遵循基本算术运算（加、减、乘、除）。

示例

• 温度（25℃）、质量（10kg）、时间（5 秒）、价格（100 元）。
• 数学中的常数 π、3.14 等。

应用场景

• 日常数据记录（如身高、体重）。
• 编程中的基础变量（如整数、浮点数类型）。

二、向量（Vector）

定义

向量是由一组有序数值组成的量，既有大小又有方向，可理解为 “数值的有序列表”。

特点

• 维度：1 维（有方向，可用箭头表示）。
• 表示：
  • 数学中常用括号或箭头表示，如 v=(v1​,v2​,v3​) 或 ​abc​​。
  • 编程中常用数组、列表表示（如 Python 中的 [1, 2, 3]）。
• 运算：
  • 加法：对应元素相加（如 (1,2)+(3,4)=(4,6)）。
  • 数乘：数值与每个元素相乘（如 2×(1,2)=(2,4)）。
  • 点积（内积）：a⋅b=a1​b1​+a2​b2​，结果为标量。
  • 叉积（外积）：仅适用于 3 维向量，结果为新向量，垂直于原向量所在平面。

示例

• 物理中的速度（30m/s，方向向东）、力（10N，方向垂直向上）。
• 机器学习中的特征向量（如图片像素值组成的列表）。

应用场景

• 几何计算（如向量方向、距离）。
• 自然语言处理（词向量表示语义）。
• 物理力学分析（力、位移的合成与分解）。

三、张量（Tensor）

定义

张量是向量在高维空间的推广，可理解为 “多维数组”，其维度数量称为阶（Rank）。

特点

• 维度：n 维（n≥0，n=0 时为标量，n=1 时为向量）。
• 表示：
  • 0 阶张量：标量（如 5）。
  • 1 阶张量：向量（如 [1,2,3]）。
  • 2 阶张量：矩阵（如 (13​24​)）。
  • 3 阶及以上张量：多维数组（如视频数据可表示为 [帧号，高度，宽度，通道]）。
• 运算：
  • 矩阵运算（如矩阵乘法、转置）是 2 阶张量的典型运算。
  • 高维张量支持切片、降维（如池化）、升维（如扩展维度）等操作。

示例

• 2 阶张量：图像像素矩阵（[高度，宽度，通道数]）。
• 3 阶张量：视频数据（[时间帧，高度，宽度，通道数]）。
• 4 阶张量：批量视频数据（[批量大小，时间帧，高度，宽度，通道数]）。

应用场景

• 深度学习：神经网络的输入、权重、输出均为张量（如卷积神经网络处理图像时使用 4 阶张量）。
• 物理与工程：弹性力学中的应力张量、相对论中的时空张量。
• 数据科学：多维度数据分析（如用户 - 商品 - 时间的三维交互数据）。

四、三者对比总结

类型	维度	表示示例	典型应用
标量	0 维	5、3.14	温度、质量、基础变量
向量	1 维	(1,2,3)	特征表示、力的方向
张量	n 维（n≥0）	矩阵、多维数组	图像 / 视频处理、深度学习、物理场

五、延伸理解：从标量到张量的拓展

• 标量是张量的特例：0 阶张量即标量，1 阶张量即向量，2 阶张量即矩阵。
• 张量的维度语义：高维张量的每个维度可对应不同的物理或逻辑意义（如批量、时间、空间等）。
• 编程实现：在 Python 中，NumPy 库用 ndarray 表示张量，PyTorch/TensorFlow 等框架则提供更高效的张量运算支持。