只含有乙個數字的張量稱為標量（或 0 維張量、0d 張量），標量有 0 個座標軸，即 ndim == 0。張量軸的個數又稱為它的秩。
乙個陣列稱作乙個向量，或 1d 張量。乙個向量只含有乙個座標軸：>>>import numpy as np>>>x = np.array(12)
>>>x
array(12)
>>>x.ndim
0
這裡我們的向量含有 5 個元素，所以又被叫作乙個 5 維向量。千萬不要將 5d 向量和 5d 張量的概念弄混，乙個 5d 的向量只含有乙個座標軸，沿著座標軸具有 5 個維度，而乙個 5d 張量含有 5 個座標軸，每個座標軸均可含有任意維度。維度的概念既可以指某一具體座標軸下元素的個數，又可以指張量中座標軸的個數。>>>x = np.array([12, 3, 6, 14])>>>x
array([12, 3, 6, 14])
>>>x.ndim
1
乙個陣列的向量稱作乙個矩陣，或者 2d 張量。乙個矩陣含有兩條座標軸（常稱作『行』和『列』）。
第乙個座標軸下的元素稱作『行』，第二個座標軸下的元素稱作『列』。如上例中，[5, 78, 2, 34, 0] 是 x 的第一行，而[5, 6, 7] 是第一列。>>>x = np.array([[5, 78, 2, 34, 0],[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]])
>>>x.ndim
2
如果你將多個矩陣組合在一起，你將得到乙個 3d 張量，在視覺上呈現乙個數字立方：
>>>x = np.array([[[5, 78, 2, 34, 0],[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]],
[[5, 78, 2, 34, 0],
[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]],
[[5, 78, 2, 34, 0],
[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]]])
>>>x.ndim
3
深度學習 核對矩陣維度
在編寫深度神經網路程式時，出現的很多問題都是由於矩陣的維度不對引起的，而且這個問題非常難查。而且python有時候還會改變矩陣的維度 例如之前我們學到的python廣播化 所以我們需要經常核對矩陣的維度，使他們的維度與我們預料中的保持一致。因此單個訓練樣本時各變數的維度公式 w l n l n l ...
時間特徵在深度學習中的表示問題
這幾天對於時間序列的 需要時間這一特徵值，月份，星期等等。對於這些時間序列特徵需要怎麼去刻畫和表示嗯？one hot方法 乙個直觀想到的方法就是one hot法，但是仔細考慮一下，one hot真的適合表示時間序列嗎？one hot適用於的特徵應該是分類特徵，而且不同類別之間的距離是沒有差別的，比如...
深度學習中的資料增強
關於計算機視覺領域資料增強的一些常用的方法一般而言，比較成功的神經網路需要大量的引數，許許多多的神經網路的引數都是數以百萬計，而使得這些引數可以正確工作則需要大量的資料進行訓練，而實際情況中資料並沒有我們想象中的那麼多 增加訓練的資料量，提高模型的泛化能力 增加雜訊資料，提公升模型的魯棒性 如何獲得...