TPU、张量与深度学习的奥秘，为何让非科班出身的同学如此困惑？本文从张量的本质出发，通过生动的情感关系案例，层层拆解多维数据结构的核心逻辑。你将看到标量如何升级为张量我爱配资家，以及这背后隐藏的AI训练与贝叶斯统计的深刻联系，最后揭示工具与目的在认知维度上的无限迭代。
有很多非计算机专业的同学想转入到AI行业，他们经常问我一个比较多的问题：
CPU，我知道，是一个芯片。GPU，我也知道，是一个大显卡。那么TPU是啥东西呢？
今天要说一下TPU，TPU的全称是TensorProcessingUnit，中文名为张量处理单元，是谷歌（Google）专为深度学习计算而自己设计的专用集成电路（ASIC）。
同学们紧接从网上查阅了很多资料，也没有太搞清楚。于是继续就会问：那么张量又是什么东西呢？
定义
标量：储存[数值]的[量]
张量：储存[规则]及其[数值强度]的[量]
张量的意义：当[结果]不是由一个原因决定，而是由[多种因素×多种角度×多种关系方式]共同决定时，用来把这些关系一次性说清楚的方式。
张量是：一种为了统一的高度综合归纳的抽象方法论
举例
我的一个男学生小明，他喜欢上了班上一个女同学小红。
我作为一个研究人员，我非常的好奇，于是我想：[研究一下小明为什么会喜欢小红？他是怎么喜欢上小红的？]
注意：这句话拆解一下，本质的含义是：我想对小明喜欢小红的[喜欢因素]和[喜欢原因]之间的关系进行研究。
即：将2个人之间的[喜欢关系]进行梳理，逻辑量化。
0阶张量（标量）
研究问题：小明有多喜欢小红？对喜欢程度打分
结果分数：喜欢程度=[80分]
得分分析：这只是个标量（数值），但是为啥是80分？当前的信息是解释不了小明喜欢的原因和因素的关系。
备注：关系=[“1、有哪些前置影响因素？”,“2、这些因素之间的相互影响程度？”]
1阶张量（向量）
研究问题：喜欢程度可能是由3个因素决定的，且要对每个因素的评分
结果分数：喜欢程度=[性格：40,外貌：25,价值观：15]
得分分析：现在分析出喜欢是“哪些方面因素叠加”的，
但是这些因素不只是“单向作用”的，比如：
[性格]影响[长期喜欢]
[外貌]影响[第一印象]
[价值观]影响[是否愿意结婚]
2阶张量
研究问题：这些[喜欢因素]中，每个因素，背后又有那些影响因素呢？是在“哪个场景/阶段/角度”下起作用？
举例子，我继续把可能因素拆解为：初见、相处、长期承诺
结果分数：
得分分析：这可以表达的不是“喜欢多少”，而是“哪个因素，在什么情况下，以多大方式起作用”
3阶张量
分析问题：[小明的判断]本身，可能还受其他因素的影响？
例如：他当天心情、朋友评价、社会压力、时间变化……
因此需要加一维：
以此类推……总结
张量不是“多维数组”，而是：用来表达[多种因素在多种条件下共同决定结果]的关系容器。
一个事物的某一属性就是一个[单元]。其量的变化，不只是在这个属性[单元本身]之内自发变化的，一定是有外界其他因素影响决定的。
就好比一个人的头发长度变化，不是[头发长度]自发的变化，而是有外界因素影响的。于是这就形成了[单元网络]。
而[每个单元]及其背后的背后的[前置影响因素]的[得分]是多少，泽关键在于：背后的[前置影响因素]对他的影响程度是多少？这个就是[权重]。
而这个[权重]，则需要研究人员准备大量数据，去研究一下，即：做科学的统计。这就是[训练]的本质。
因此[训练]可以说是一种实验研究方法。
到这里，有些同学可能会想到一个伟大的统计学家：贝叶斯。
是的类似于[贝叶斯定律]研究的内容：[影响因素]的背后的[影响因素]的概率关系。
迭代工具论
在AI时代，我可能最不想聊的就是技术，而是一些夸夸其谈、没有逻辑关系的、且形而上的观点：
从张量和贝叶斯中，我们可以得出一组规律：我么可以把研究对象看做一个为了达到某种研究[目的]的[单元]，而实现这种[目的]，则需要[工具]。
但是：[工具]与[目的]作为一种基础[单元]，在研究复杂问题时候，会涉及到不同的维度，维度越多，问题越复杂。那么[工具]与[目的]在不同维度上，是一直在相互迭代转化的。
以生火做饭为例：
锅、水、面粉是工具，[馒头]是目的，
而馒头又可以作为工具，而[填饱肚子]是目的，
而填饱肚子又可以作为工具，而是[补充糖原]是目的，
而糖原又可以作为工具，而是[继续工作]是目的，
…..
以此类推。
我爱配资家
长富资本提示：文章来自网络，不代表本站观点。
