Pytorch中高维度张量理解 创建一个tensor获取第一个维度的第0个元素：获取第二个维度的第0个元素：获取第三个维度的第0个元素：获取第四个维度的第0个元素：其他情况 创建一个tensor tensor = torch.rand(3,5,3,2) 结果如下： ```pythontensor([[[[0.3844, 0.9532],[0.0787, 0.4187]

简单看个例子： 这里的结果是怎么来的呢？ 仔细分析下，不难得出： 21 = 10 * 0.1 + 100 * 0.2， 86 = 20 * 0.3 + 200 * 0.4，  所以，虽然变成三维了，但实际还是做的二维运算。 高于二维的维度，挨个遍历，便可得到一个二维矩阵，对这两个二维矩阵进行线性代数里的矩阵乘法。 这样就要求了两个高维矩阵相乘必须满足的一些维度关系了。 对于两个

高并发问题 Redis 做缓存虽减轻了 DBMS 的压力，减小了 RT，但在高并发情况下也是可能会出现各 种问题的。 1 缓存穿透 当用户访问的数据既不在缓存也不在数据库中时，就会导致每个用户查询都会“穿透” 缓存“直抵”数据库。这种情况就称为缓存穿透。当高度发的访问请求到达时，缓存穿透不 仅增加了响应时间，而且还会引发对 DBMS 的高并发查询，这种高并发查询很可能会导致 DBMS 的崩溃