張量是矩陣向任意維度的推廣[注意，張量的維度(dimension)通常叫做軸(axis)].
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）。
2.2.7 資料批量的概念
通常來說，深度學習中所有資料張量的第乙個軸（0 軸，因為索引從 0 開始）都是樣本軸（samples axis，有時也叫樣本維度）。在 mnist 的例子中，樣本就是數字影象。
此外，深度學習模型不會同時處理整個資料集，而是將資料拆分成小批量。具體來看，下面是 mnist 資料集的乙個批量，批量大小為 128。
batch = train_images[:128]
然後是下乙個批量。
batch = train_images[128:256]
然後是第 n 個批量。
batch = train_images[128 * n:128 * (n + 1)]
對於這種批量張量，第乙個軸（0 軸）叫作批量軸（batch axis）或批量維度（batch dimension）。
在使用 keras 和其他深度學習庫時，你會經常遇到這個術語。
>>> 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
32.2.11 影象資料
影象通常具有三個維度：高度、寬度和顏色深度。雖然灰度影象（比如 mnist 數字影象）只有乙個顏色通道，因此可以儲存在 2d 張量中，但按照慣例，影象張量始終都是 3d 張量，灰度影象的彩色通道只有一維。因此，如果影象大小為 256×256，那麼 128 張灰度影象組成的批量可以儲存在乙個形狀為 (128, 256, 256, 1) 的張量中，而 128 張彩色影象組成的批量則可以儲存在乙個形狀為 (128, 256, 256, 3) 的張量中（見圖 2-4）。
影象張量的形狀有兩種約定：
通道在後（channels-last）的約定（在 tensorflow 中使用）和通道在前（channels-first）的約定（在 theano 中使用）。
google 的 tensorflow 機器學習框架將顏色深度軸放在最後：(samples, height, width, color_depth)。
與此相反，theano將影象深度軸放在批量軸之後：(samples, color_depth, height, width)。
如果採用 theano 約定，前面的兩個例子將變成 (128, 1, 256, 256) 和 (128, 3, 256, 256)。
keras 框架同時支援這兩種格式。
曲線 神經網路 神經網路的數學基礎 8（完結）
詳細內容請閱讀 deep learning with python 中文翻譯為 python深度學習 美 弗朗索瓦 肖萊 著 張亮 譯 1 隨機梯度下降 給定乙個可微函式，理論上可以用解析法找到它的最小值 函式的最小值是導數為0 的點，因此你只需找到所有導數為0 的點，然後計算函式在其中哪個點具有最...
第二章 神經網路的數學基礎
下面展示一些內聯 片。2.神經網路的資料表示 1.標量 0d張量 import numpy as np x np.array 12 print x print x.shape 張量的形狀 print x.ndim 張量的維度 軸，0階 2.向量 1d張量 x np.array 11,23,5,9,1...
神經網路數學基礎 卷積神經網路 部分實戰訓練
神經網路的數學基礎 1.矩陣線性變換 起到尺度和旋轉上的變化，w x與公升降維 放大縮小相關，b與平移相關 與彎曲相關 2.矩陣的秩 秩越低，資料分布越容易 捉，相關性大 奇異值 低秩近似 保留決定資料分布最主要的模式 方向 3.概率 概率分布 似然函式 對數似然函式 最大對數似然 4.策略設計 機...