テンソル＝多次元配列

導入

PyTorch の主役は テンソル（tensor） です。難しそうな名前ですが、正体は 「数値が並んだ多次元の箱」――つまり numpy の配列とほぼ同じものです。ここで numpy 配列に慣れておけば、PyTorch のテンソルはそのまま理解できます。

説明

次元数（軸の数）で呼び名が変わります。中身は全部「数値の入れ物」です。

flowchart LR
  s["スカラー<br/>0次元<br/>例: 5"] --> v["ベクトル<br/>1次元<br/>例: [1,2,3]"]
  v --> m["行列<br/>2次元<br/>表・画像1枚"]
  m --> t["テンソル<br/>3次元以上<br/>画像の束・動画"]

• スカラー：ただの数値（気温 25.0 など）。
• ベクトル：数値の一列（1人の身長・体重・年齢）。
• 行列：数値の表（複数人 × 複数項目、白黒画像1枚）。
• テンソル：それ以上。カラー画像は「縦 × 横 × 色(RGB)」の3次元テンソル。

AIへの入力は、こうした多次元の数値の箱です。numpy では shape（形）でその構造を確認できます。

やってみよう

下のコードで、スカラー・ベクトル・行列を作り、shape で形を確認します。行列同士の掛け算（@）も試します。ニューラルネットワークの計算は、突き詰めればこの行列の掛け算の繰り返しです。実行して形の表示を見てみましょう。

import numpy as np

scalar = np.array(5.0)
vector = np.array([1.0, 2.0, 3.0])
matrix = np.array([[1.0, 2.0, 3.0],
                   [4.0, 5.0, 6.0]])

print("スカラーの形:", scalar.shape)
print("ベクトルの形:", vector.shape)
print("行列の形:", matrix.shape, "→ 2行3列")

# 行列 × ベクトル（AIの1層ぶんの計算に相当）
weights = np.array([[0.5, 0.5, 0.5],
                    [1.0, 0.0, -1.0]])
x = np.array([2.0, 4.0, 6.0])
print("\n行列×ベクトルの結果:", weights @ x)

演習

matrix を 3行2列の別の行列に書き換え、shape が (3, 2) と表示されることを確認しましょう。

まとめ

• テンソル＝多次元の数値配列。numpy 配列と実質同じで、PyTorch でもそのまま通用する。
• 次元で スカラー→ベクトル→行列→テンソル と呼び名が変わる。
• shape で形を確認。AIの計算の中心は行列の掛け算（@）。