神经网络中的数据通常以张量的形式表示，这些张量运算通过矩阵乘法、向量点积等线性代数运算来实现，对于模型的训练、推理和特征提取等任务至关重要。在神经网络的前向传播过程中，输入数据、权重和偏置通常以张量的形式存在，并通过一系列的张量运算（如矩阵乘法、加法等）来计算输出。在反向传播过程中，梯度也是以张量的形式传播，用于更新模型的权重和偏置。张量的平移、旋转、缩放是什么？在深度学习中，张量的平移、旋转和缩放等操作通常用于数据增强、图像变换和特征提取
等任务。这些操作可以通过深度学习框架中的张量运算库（如NumPy、PyTorch或TensorFlow）来实现。
张量的平移操作（Translation）是通过加上一个平移向量来实现的，这个向量决定了移动的距离和方向。
张量的旋转操作（Rotation）则是通过将与一个旋转矩阵相乘来完成的，这个矩阵能够保持向量的长度和夹角不变，只改变方向。
张量的缩放操作（Scaling）则是通过将张量与一个对角矩阵相乘来实现的，对角矩阵的对角线元素决定了各个方向上的缩放比例。
“张量的平移是加向量移动位置，旋转是乘旋转矩阵改变方向，缩放是乘对角矩阵调整尺寸。在深度学习中，这些操作对数据增强、图像变换等至关重要，能增加数据集多样性，助模型学更多特征，提性能。”
张量的线性变换和仿射变换是什么？在深度学习中，张量的线性变换是
通过矩阵乘法保持向量线性关系的操作，而仿射变换则是线性变换后再加上一个平移向量的复合操作。张量的线性变换操作（Linear Transform）是通过
矩阵乘法将张量映射到另一个张量。与任意矩阵做点积运算，都可以实现一次线性变换，上面提到的缩放和旋转，都属于线性变换。
张量的仿射变换操作（Affine Transform）是通过先进行一个线性变换（即与矩阵相乘），再添加一个平移向量来完成的复合变换。一个没有激活函数的Dense层就是一个仿射层。
带有ReLU激活函数的Dense层通过非线性激活打破了仿射变换的线性叠加性，使得多层神经网络能够
实现复杂的非线性变换，而纯仿射变换的多层网络则等同于一个线性模型。
“一图 + 一句话”彻底搞懂线性变换和仿射变换。
“线性变换通
过矩阵乘法保持张量的线性关系，实现缩放和旋转等操作；而仿射变换则是在线性变换的基础上，再添加一个平移向量，完成更复杂的复合变换，无激活函数的Dense层即仿射层，但加入非线性激活函数（如ReLU）后，多层神经网络可实现复杂的非线性变换。”
