資料儲存在多維
numpy
陣列中，也叫張量
（tensor）。一般來說，當前所 有機器學習系統都使用張量作為基本資料結構。
張量這一概念的核心在於，它是乙個資料容器。它包含的資料幾乎總是數值資料，因此它
是數字的容器。你可能對矩陣很熟悉，它是二維張量。張量是矩陣向任意維度的推廣［注意，張量的維度
（dimension）通常叫作軸（axis）］。
僅包含乙個數字的張量叫作標量（
scalar
，也叫標量張量、零維張量、
0d 張量）。在
numpy 中，乙個 float32
或 float64
的數字就是乙個標量張量（或標量陣列）。可以用
ndim 屬性來檢視乙個 numpy
張量的軸的個數。標量張量有
0 個軸（
ndim == 0
）。張量軸的個數也叫作 階（
rank
）。下面是乙個
numpy 標量
。
>>> import numpy as np
>>> x = np.array(12)
>>> x
array(12)
>>> x.ndim
0
向量。
>>> x = np.array([12, 3, 6, 14, 7])
>>> x
array([12, 3, 6, 14, 7])
>>> x.ndim
1
5 個元素，所以被稱為
5d 向量
。但不要把
5d向量和
5d張量弄混！
5d 向量只 有乙個軸，沿著軸有 5
個維度，而
5d 張量有
5 個軸（沿著每個軸可能有任意個維度）。
維度 （dimensionality
）可以表示沿著某個軸上的元素個數（比如
5d 向量），也可以表示張量中軸的個數（比如 5d 張量）
向量組成的陣列叫作矩陣
（matrix）或二維張量（2d張量）。矩陣有
2 個軸（通常叫作
行和 列）。你可以將矩陣直觀地理解為數字組成的矩形網格。下面是乙個 numpy 矩陣。
>>> x = np.array([[5, 78, 2, 34, 0],
[6, 79, 3, 35, 1],
[7, 80, 4, 36, 2]])
>>> x.ndim
2
3d 張量，你可以將其直觀地理解為數字 組成的立方體。下面是乙個 numpy
的 3d 張量。
>>> 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
3d 張量組合成乙個陣列，可以建立乙個
4d 張量，以此類推。深度學習處理的一般 是 0d
到 4d
5d 張量。
張量是由以下三個關鍵屬性來定義的：
使用語法
train_images[i] 來選擇
沿著第乙個軸的特定數字。選 擇張量的特定元素叫作張量切片。
選擇第
10~100
個數字（這裡的數字是指資料集中手寫數字的張量表示）（不包括第
100
個），並將其放在形狀為
(90, 28, 28) 的陣列中。
>>> my_slice = train_images[10:100]
>>> print(my_slice.shape)
(90, 28, 28)
給出了切片沿著每個張量軸的起始索引和結束索引。「 : 」
等同於選擇整個軸。
>>> my_slice = train_images[10:100, :, :]
>>> my_slice.shape
(90, 28, 28)
>>> my_slice = train_images[10:100, 0:28, 0:28]
>>> my_slice.shape
(90, 28, 28)
畫素×14
畫素的區域：
my_slice = train_images[:, 14:, 14:]python
列表中的負數索引類似，它表示與當前軸終點的相對位置。
你可以在影象中心裁剪出 14
畫素×14
畫素的區域：
my_slice = train_images[:, 7:-7, 7:-7]資料集的乙個批量，批量大小為
128。
batch = train_images[:128]batch = train_images[128:256]n 個批量。
batch = train_images[128 * n:128 * (n + 1)]0 軸）叫作批量軸或批量維度。
神經網路入門 神經元演算法
目前機器學習 深度學習在業界使用的越來越廣泛，做為乙個有著技術追求的it人，我覺得有必要學習和了解一下這塊的知識，今天就從最簡單的單層神經網路開始介紹。在介紹人工神經網路之前，首先認知下神經元。神經元不知道大家還有印象這個圖嗎？這個是出現在我們生物課本中的一幅圖。乙個神經元的組成基本就是上圖這些東西...
神經網路基礎及Keras入門
神經網路定義 人工神經網路，簡稱神經網路，在機器學習和認知科學領域，是一種模仿生物神經網路 動物的中樞神經系統，特別是大腦 的結構和功能的數學模型或計算模型，用於對函式進行估計或近似。為了描述神經網路，我們先從最簡單的神經網路講起，這個神經網路僅由乙個 神經元 構成，以下即是這個 神經元 的圖示 可...
神經網路的資料表示
深度學習中的資料儲存在多維numpy陣列中，也叫張量 tensor 一般來說，當前所有機器學習系統都使用張量作為基本的資料結構。張量對這個領域非常重要，重要到google 的tensorflow 都以它來命名。那麼什麼是張量？張量這一概念的核心在於，它是乙個資料容器。它包含的資料幾乎總是數值資料，因...