张量是数·向量·矩阵之上的阶梯

用按钮把阶一级一级往上抬。rank 0 是一格，就是一个数，不需要下标去指位置。rank 1 把一格拉成一行，成为向量，要选哪一格得用一个下标。rank 2 把行摊成格子，成为矩阵，"第几行第几列"，所以两个下标。rank 3 把那些格子叠成立方体，于是三个下标。一眼就能看出：阶就是下标（轴）的个数。形状也随之长大：点 → 线 → 面 → 体。张量不是什么新怪物，而是把我们熟悉的东西立到同一架梯子上的名字。

这次把两个向量向外相乘，造一个矩阵。用滑块把 u = (u1, u2) 放在左边竖列、v = (v1, v2) 放在上边横排，那么格子的格 (i, j) 里就是 u_i · v_j。这就是 u⊗v = u vᵀ。每个位置的数是左边值乘上边值，格子按值深浅着色。把 u 加倍，整整一行翻倍；调大 v，整整一列变大。妙的是，不管怎么转旋钮，这矩阵的秩永远是 1：每一行都是 u 的倍数，每一列都是 v 的倍数，独立方向只有一个。外积是最简单的矩阵，一块 rank-1 的砖。

那普通的矩阵怎么造呢？把几块 rank-1 砖叠起来就行。用开关一层一层地加。层 1 只有第一片 σ1·u1·v1ᵀ，所以只能粗粗地仿出目标矩阵的大轮廓。加上层 2，σ2·u2·v2ᵀ 补上剩下的差，于是和与目标矩阵完全一致。画面把当前重建和目标并排显示，还用数字给出二者的差。这正是 SVD 的核心：任何矩阵都是 A = Σ σ_k u_k v_kᵀ，也就是 rank-1 片的和，而只留最大的几个 σ，形状仍几乎保住。压缩就从这里来。

矩阵也可以不看作"变换"，而看作"吃两个向量的机器"。把 u 从左边、v 从右边塞进固定矩阵 M，就出来一个数：uᵀ M v。这就是 rank 2 张量（矩阵）接收两个向量、吐出一个标量的双线性型。在坐标平面上拖动 u 和 v 两支箭头。下方读数板实时显示 uᵀ M v 的值。固定一边，只把另一边加倍，结果也正好加倍。它对两个自变量各自都是线性的，所以叫"双线性"。量长度（内积）、能量（½ xᵀ K x）、曲率、应力，凡是吃两个方向、给出一个数的量，全是这个模子。

最后，看看为什么张量是机器学习的母语。用开关一次加一个轴。一张灰度图是像素亮度的格子，即 [H, W] 矩阵（rank 2）。转到彩色，红、绿、蓝三个通道叠起来成 [H, W, 3] 立方体（rank 3）。一次训练许多图，就把这些立方体叠 N 个，成 [N, H, W, 3]（rank 4）。画面在你每加一个轴时，同时显示形状标签和格子如何堆叠。张量不是抽象数学的装饰，而是把数据的多个轴装进一个容器的实用器皿。这正是深度学习框架名字里带"Tensor"的缘故。