關于維度的預備知識

在Tensor張量中，共有三維數據進行順序存放，分別是Channels(維度)，Rows(行高), Cols(行寬)，三維矩陣我們可以看作多個連續的二維矩陣組成，最簡單的方法就是使用嵌套的vector數組，但是這種方法非常不利于數據的訪問（尤其是內存不連續的問題）修改以及查詢，特別是在擴容的時候非常不方便,能滿足使用需求。

因此，綜合考慮靈活性和開發的難易度，我們會以Armadillo類中的arma::mat(矩陣 matrix)類和arma::cube作為數據管理(三維矩陣)類來實現Tensor 我們庫中類的主體，一個cube由多個matrix組成，cube又是Tensor類中的數據實際管理者。

首先我們講講Tensor類和Armadillo中兩個類的關系，可以從下方圖看出Tensor類中的數據均由arma::cube類進行管理擴充，我們設計的類以arma::cube為基礎實現了Tensor類，我們主要是提供了更方便的訪問方式和對外接口。

arma::cube是一個三維矩陣，分別是通道維度(slices或者channels)，行維度(rows)和列維度(cols)，請看下圖1, 圖中是兩個5行3列的矩陣，藍色的區域是數據的實際存儲區，灰色和和白色部分僅用作示意，在內存中實際不存在。

一個cube類由多個這樣的Matrix組成，圖1中表示的情況是arma::cube(2, 5, 3), 表示當前的三維矩陣共有2個矩陣構成，每個矩陣都是5行3列的。如果放在我們項目中會以這形式提供 Tensor tensor(2, 5, 3).

下圖2是這種情況下的三維結構圖，可以看出一個Cube一共有兩個Matrix，也就是共有兩個Channel. 一個Channel放一個Matrix. Matrix的行寬均為Rows和Cols.

Tensor方法總覽

我們從上面可以知道，我們的Tensor類是對armdillo庫中cube類的封裝，cube是多個Matrix的集合（二維矩陣的集合），關系圖如上圖1、圖2. 我們在這里對KuiperInfer中Tensor類的方法進行一個總覽，其中我們會讓大家親自動手實現兩個方法（加粗的兩個），只有動手起來才能參與其中。

Tensor類模板

Tensor共有兩個類型，一個類型是Tensor，另一個類型是Tensor, Tensor 可能會在后續的量化課程中進行使用，目前還暫時未實現，所以在之后的文章中我們以Tensor來指代Tensor.

如何創建一個Tensor

Tensor tensor(3, 5, 3). 在我們的KuiperInfer項目中，我們可以用一個非常簡單的方式來創建一個張量實例，在如上的定義中，我們得到了一個通道數量為3,行數(rows)為5,列數(cols)為3的tensor變量。

如何訪問Tensor中數據(我們要大家實現的功能)

我們將在這個項目中為Tensor類定義多種訪問內部數據的方式。首先要講的是順序訪問方式，在tensor變量中，我們可以使用tensor.at(0, 1, 2)得到tensor變量中第0通道，第1行，第2列中存放的元素。

另外一種，我們可以使用tensor.index(0)這種方法來得到tensor變量中第0個數據 。我會在作業系統中給予大家充分的提示，讓大家準確無誤地把代碼寫出來。從下圖中可以看出，tensor.at(0,1,2)就是訪問圖中對應位置的點。第1個矩陣(channel = 0)中第2行(row = 1)，第3列(col=2)中的數據。

再談談Tensor類中數據的排布

我們以具體的圖片作為例子，來講講Tensor中數據管理類arma::cube的數據排布方式，Tensor類是arma::cube對外更方便的接口，所以說armadillo::cube怎么管理內存的，Tensor類就是怎么管理內存的，希望大家的能理解到位。

如下圖中的一個Cube，Cube的維度是2,每個維度上存放的是一個Matrix，一個Matrix中的存儲空間被用來存放一張圖像(lena) . 一個框內(channel) 是一個Matrix，Matrix1存放在Cube第1維度(channel 1)上，Matrix2存放在Cube的第2維度上(channel 2). Matrix1和Matrix2的Rows和Cols均代表著圖像的高和寬，在本例中就是512和384.

如果將順序的一組數據[0,1,2,3,4,5....128]存放到一個大小為4×4的Matrix中，那么大家需要注意一個問題，我們的數據管理類Tensor(arma::cube)是列主序的，這一點和Opencv cv::Mat或者python numpy有一些不同。列主序在內存中的順序如下表：

審核編輯：劉清