1，首先比较二者的参数部分：这就是处理0阶张量和1阶张量的区别
- np.max：(a, axis=None, out=None, keepdims=False)
- 求序列的最值
- 最少接收一个参数
- axis：默认为列向（也即 axis=0），axis = 1 时为行方向的最值；
- np.maximum：(X, Y, out=None)
- X 与 Y 逐位比较取其大者；
- 最少接收两个参数
2、python标准库中的math和numpy中的数学计算问题：
比如都有math.exp()和numpy.exp()函数等，但是做数据分析时一般都用numpy自带的数学函数，更专业
3、张量元素的迭代器
it=np.nditer(a,flags=['multi_index'],op_flags=['readwrite']),这句话看起来不好理解，我们来仔细研究下。
flags=['multi_index']表示对a进行多重索引，具体解释看下面的代码。op_flags=['readwrite']表示不仅可以对a进行read（读取），还可以write（写入），即相当于在创建这个迭代器的时候，我们就规定好了有哪些权限。
4、张量的卷积运算
从二维张量（矩阵）的角度看，张量的卷积运算是对dot product和cross运算的一种推广，对两个矩阵的形状没有那么严格的要求，可以试想两个平面运算，两个方块运算。
5.numpy.pad填充函数:
看这篇博客，写的很详细，有案例，
6.张量中的切片操作：
x1=np.random.rand(3,4,5)
x2 =x1[:,2,:]:确定了第二个轴的坐标，没有用冒号代替，意思就是全选，则x2,shape=(3,5),就相当于在面包上切片。
7，ndarray的方法和属性
Numpy中主要处理张量，当我们把处理好的数据集变成张量对象后，那它将拥有哪些方法和函数呢？比如最常见的shape和reshape（），transpose()。这些可以分为描述信息和统计信息两大类吧，比如mean(),std()