学 PyTorch 时，第一个绕不开的概念就是Tensor。
很多人会把它翻译成“张量”，这个词听起来有点硬。但从代码角度看，可以先把 Tensor 理解成更通用的数组。
它可以是一组数字，也可以是一张表，还可以是一批图片。
从数字到 Tensor
一个普通数字可以看成 0 维 Tensor：
import torch x = torch.tensor(3.0)
一组数字可以看成 1 维 Tensor：
x = torch.tensor([1.0, 2.0, 3.0])
一个矩阵可以看成 2 维 Tensor：
x = torch.tensor([ [1.0, 2.0], [3.0, 4.0], ])
如果是一批图片，维度可能更多，比如：
[batch, channel, height, width]
这就是深度学习里常见的四维 Tensor。
Tensor 为什么重要
在 PyTorch 里，几乎所有东西都会变成 Tensor。
训练数据是 Tensor，模型参数是 Tensor，中间计算结果是 Tensor，梯度也是 Tensor。
如果你理解了 Tensor 的形状和流动方式，很多模型代码就会清楚很多。
shape 是第一重点
看 Tensor 时，最重要的是看它的shape。
比如：
x = torch.randn(32, 784) print(x.shape)
这里的32通常表示 batch size，784可能表示每个样本的特征数量。
很多 PyTorch 报错，本质上都是 shape 对不上。
比如 Linear 层期待输入是[batch, in_features]，但你传进去的是别的形状，就会报维度错误。
Tensor 和 NumPy 有点像
如果你学过 NumPy，会发现 Tensor 和ndarray很像。
它们都可以做矩阵计算、切片、广播、变形。
但 PyTorch Tensor 有两个特别重要的能力：
可以放到 GPU 上计算
可以记录梯度，支持自动求导
这也是它能用于深度学习训练的关键。
常见操作
几个入门阶段最常用的操作：
x = torch.randn(2, 3) x.shape x.reshape(3, 2) x.to("cuda") x.float() x.mean() x.sum()这些操作不需要一次性背完，但要慢慢熟悉。
尤其是reshape、to(device)、float()，在训练代码里非常常见。
小结
Tensor 是 PyTorch 的基础数据对象。
先别被“张量”这个名字吓到。你可以把它理解成可以参与深度学习计算的多维数组。
学 PyTorch 时，多看 shape，多跟踪数据从输入到模型输出的变化，很多问题都会变得清楚。
技术图：把关键链路画清楚
可运行实验：同时检查 shape、dtype 与广播
Tensor 报错多数不是“数学太难”，而是形状、类型或设备不匹配。养成打印这三项的习惯，比盲目改代码有效。
import torch x = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32) bias = torch.tensor([0.1, 0.2, 0.3]) y = x + bias print("x:", tuple(x.shape), x.dtype, x.device) print("bias:", tuple(bias.shape)) print("y:\n", y)运行结果：
x: (2, 3) torch.float32 cpu bias: (3,) y: tensor([[1.1000, 2.2000, 3.3000], [4.1000, 5.2000, 6.3000]])
bias只有 3 个元素，却能自动作用到两行数据上，这就是广播。广播很方便，但维度含义不清时也可能悄悄产生错误结果。
常见误区
Tensor 的维度越多越高级。维度只描述数据组织方式。
Shape 能对上就一定正确。相同 shape 也可能代表完全不同的语义。
动手练习
把bias改成 shape 为(2,)的 Tensor，观察报错并解释哪个维度无法匹配。
本文首发于「去你想去的地方」： Tensor 是什么？PyTorch 里最重要的对象讲清楚 | 去你想去的地方
完整学习路线、视频版和后续更新请访问原文。