張量（tensor）是乙個資料容器，它所包含的一般是數值資料。下面是張量中的一些名詞：
>>
>
import numpy as np
>>
> x = np.array(12)
>>
> x
array(12)
>>
> x.ndim
0
>>
> x = np.array([12
,3,6
,14,7
])>>
> x
array([12
,3,6
,14,7
])>>
> x.ndim
1
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）。
>>
> x = np.array([[
5,78,
2,34,
0],[
6,79,
3,35,
1],[
7,80,
4,36,
2]])
>>
> x.ndim
2
>>
> 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
#下面這個例子選擇第 10~100 個數字，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
)#下面的寫法跟上面是等價的；其中:表示選取整個軸
>>
> 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
)
#你可以在所有影象的右下角選出 14 畫素× 14 畫素的區域：
my_slice = train_images[:,
14:,14
:]#也可以使用負數索引。與 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]
（2）時間序列資料或序列資料： 3d 張量，形狀為 (samples, timesteps, features)
（3）影象： 4d 張量，形狀為 (samples, height, width, channels) 或 (samples, channels, height, width)
張量 批量的理解（神經網路的資料表示）
一般來說，當前所有機器學習系統都是用張量作為基本的資料結構 張量是乙個資料容器，它包含的資料幾乎總是數值資料，因此它是數字的容器，矩陣是二維張量，張量是矩陣向任意維度的推廣。張量的維度，叫做軸。張量由以下幾個關鍵屬性來定義 軸的個數 形狀 資料型別 深度學習中所有資料張量的第乙個軸 0軸，因為索引從...
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...
神經網路中的資料表示
當前所有機器學習系統都使用張量作為基本資料結構。張量對這個領域非常重要，重要到 google 的 tensorflow 都是以它來命名的。那麼什麼是張量？標量 英語 scalar 又稱純量，是只有大小 沒有方向 可用實數表示的乙個量。實際上標量就是實數，標量 這個稱法只是為了區別於向量。標量可以是負...