深度学习为何选择Tensor而不是Numpy Array？

深度学习中选择使用 Tensor 而不是直接使用 Numpy 的 Array，主要是因为深度学习需要处理大规模的数据，而 Tensor 可以提供更高效的计算和存储方式。

首先，Tensor 可以在 GPU 上进行并行计算，而 Numpy 的 Array 只能在 CPU 上进行计算。GPU 有比 CPU 更多的核心和更高的内存带宽，可以更快地处理大规模的数据。因此，使用 Tensor 可以大大提高深度学习模型的训练速度和效率。

其次，Tensor 支持自动求导，这是深度学习中非常重要的功能。自动求导可以自动计算模型中每个参数的梯度，从而更好地优化模型。而 Numpy 的 Array 并不支持自动求导，需要手动计算每个参数的梯度，这非常繁琐且容易出错。

另外，Tensor 还可以支持分布式计算，这在大规模的深度学习模型中非常有用。分布式计算可以将计算任务分配给多个计算节点，从而加速计算并降低计算成本。而 Numpy 的 Array 并不支持分布式计算。

此外，Tensor 还可以支持多种数据类型和形状，可以更好地适应不同的数据需求。而 Numpy 的 Array 只支持一种数据类型和形状，不够灵活。

总之，深度学习中使用 Tensor 这种概念，而不是直接使用 Numpy 的 Array，是因为 Tensor 可以提供更高效、更灵活、更方便的计算和存储方式。这使得深度学习模型的训练和优化更加高效和便捷。