什么是2D浮动张量？

Question

Disclamer：我知道没有关于CNN和深度学习，我不知道Torch。

我正在使用SIFT作为我的对象识别应用程序。我发现这篇论文Discriminative Learning of Deep Convolutional Feature Point Descriptors特别有趣，因为它是基于CNN的，比经典的图像描述方法（例如SIFT，SURF等）更精确，但是（引用摘要）：

  

在训练和测试期间使用L2距离我们开发   128-D描述符，其欧氏距离反映了斑块相似性，   它可以作为任何涉及的任务的替代品   SIFT

哇，这太棒了：这意味着我们可以继续使用任何基于SIFT的方法，但使用更精确的描述符！

但是，引用github code repository自述文件：

  

注意输出将是Nx128 2D浮点张量，其中每行是a   描述符。

那么，什么是“2D浮动张量”？ SIFT描述符矩阵是Nx128浮点数，有什么我不知道的吗？

Answer 1

2D浮点张量= 2D浮点矩阵。

仅供参考：The meaning of tensors in the neural network community

Answer 2

这是一个2-d浮动张量。

[[1.0,2.0],
 [3.0,4.0]]

这仍然是一个2-d浮动张量，即使它们有3个项目和3行！

[[1.0,2.0,3.0],
 [4.0,5.0,6.0],
 [7.0,5.0,6.0]]

支架的数量是重要的。