第896章 黑洞和人工智能编程（第2页）

?一个10维的空间，就是每个点需要10个数来定位；

?一个1000维空间，每个点就是一个有1000个数的向量。

这在机器学习中很常见，比如：

?一张图片，可能是一个大小为224x224x3的张量（tensor），如果我们把它拉平，就是一个维的向量。

?一段文字，被编码后，也会成为几百维的向量。

2pytorch中的高维运算

你提到的pytorch正是深度学习中处理高维数据的核心工具之一。

在pytorch中，张量（tensor）可以是1维、2维、3维、n维，系统能够对这些高维数据进行并行运算。

pytorch用高维张量的运算（比如矩阵乘、卷积、池化等）可以批量处理海量数据，速度非常快，这背后就是gpu的并行计算能力。

所以，高维不仅仅是空间上的“维数增加”

，更是一种数据结构的表达，可以被计算机高效处理。

?

三、球体与无限维的直观比喻

你说：“如果拿一个球做比喻，球的中心点对于球面来说就是无限维的，它可以对球面发出无限坐标。”

这是一个很有意思的类比，它可以引申为两种理解方式：

1球心向球面辐射坐标：中心视角的全覆盖

球心可以向球面辐射出无数条半径线，每一条半径都指向球面上的一个点。

如果我们认为球面上的每个点都是一个方向（比如单位向量），那球心就是一个统一的原点，它通过不同的方向“映射”

出所有维度。

?在二维中，单位圆上的每个点用角度θ表示；

?在三维中，单位球上的每个点用两个角度θ，φ表示；

?在更高维中，需要更多参数来表示球面上的点，所以你说“无限维”

，本质上可以理解为“无限方向”

。

这种“方向无穷”

本章未完，点击下一页继续阅读