什么是二维浮点张量？
What is a 2D float tensor?
免责声明：我对 CNN 和深度学习一无所知，我也不知道Torch。
我正在使用 SIFT for my object recognition application. I found this paper Discriminative Learning of Deep Convolutional Feature Point Descriptors 这特别有趣，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）：
using the L2 distance during both training and testing we develop
128-D descriptors whose euclidean distances reflect patch similarity,
and which can be used as a drop-in replacement for any task involving
SIFT
哇，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：
Note the output will be a Nx128 2D float tensor where each row is a
descriptor.
那么，什么是“二维浮点张量”？ SIFT 描述符矩阵是 Nx128 个浮点数，我是否遗漏了什么？
二维浮点张量 = 二维浮点矩阵。
这是一个二维浮点张量。
[[1.0,2.0],
[3.0,4.0]]
这仍然是一个二维浮点张量，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]]
括号的数量很重要。
免责声明：我对 CNN 和深度学习一无所知，我也不知道Torch。
我正在使用 SIFT for my object recognition application. I found this paper Discriminative Learning of Deep Convolutional Feature Point Descriptors 这特别有趣，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）：
using the L2 distance during both training and testing we develop 128-D descriptors whose euclidean distances reflect patch similarity, and which can be used as a drop-in replacement for any task involving SIFT
哇，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：
Note the output will be a Nx128 2D float tensor where each row is a descriptor.
那么，什么是“二维浮点张量”？ SIFT 描述符矩阵是 Nx128 个浮点数，我是否遗漏了什么？
二维浮点张量 = 二维浮点矩阵。
这是一个二维浮点张量。
[[1.0,2.0],
[3.0,4.0]]
这仍然是一个二维浮点张量，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]]
括号的数量很重要。