Python是一種非常流行的編程語言，因其龐大的生態系統、易用性、及深度學習的強大支持而備受青睞。其中重要的原因是由于 Python 的張量計算庫，例如 NumPy, TensorFlow, PyTorch 等等。

張量是一種很常見的數據類型。在數學里，它是一種多維矩陣和向量的泛化。在計算機科學和機器學習中，它則被用作從圖片、文本和聲音等不同類型數據構建復雜模型的基礎數據結構。

Python 中處理張量的能力可以追溯到 NumPy，它是實現多維數組的強大庫。在 NumPy 中，可以像下面這樣使用 pre 標簽展示多維數組：

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
# 矩陣乘法
c = np.dot(a, b)
print(c)
'''
輸出：
[17 39]
'''

在這個例子中，我們定義了兩個 NumPy 數組 a 和 b，然后使用 dot 函數執行矩陣乘法。矩陣 c 是一個一維數組。

通過使用張量計算庫 TensorFlow，我們可以在 Python 中更高效地處理深度學習中的大型數據集：

import tensorflow as tf
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([5, 6])
# 矩陣乘法
c = tf.matmul(a, tf.reshape(b, [-1, 1]))
with tf.Session() as sess:
print(sess.run(c))
'''
輸出：
[[17]
 [39]]
'''

在這個例子中，我們定義了兩個 TensorFlow 常量 a 和 b，并使用 reshape 函數將 b 轉換為一個列向量，然后使用 matmul 函數執行矩陣乘法。矩陣 c 是一個二維數組。

總而言之，Python 的張量計算庫為機器學習提供了一個強大的工具箱，它們可以處理多維數組和張量，并能夠高效地運行在 CPU 和 GPU 上。