前面例子使用的資料儲存在多維 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。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）。
數字組成的陣列叫作向量（vector）或一維張量（1d 張量）。一維張量只有乙個軸。下面是乙個 numpy 向量。
>>
> x = np.array([12
,3,6
,14,7
])>>
> x
array([12
,3,6
,14,7
])>>
> x.ndim
1
張量是由以下三個關鍵屬性來定義的。
‰ 軸的個數（階）。例如，3d 張量有 3 個軸，矩陣有 2 個軸。這在 numpy 等 python 庫中也叫張量的 ndim。
‰ 形狀。這是乙個整數元組，表示張量沿每個軸的維度大小（元素個數）。例如，前面矩陣示例的形狀為 (3, 5)，3d 張量示例的形狀為 (3, 3, 5)。向量的形狀只包含乙個元素，比如 (5,)，而標量的形狀為空，即 ()。
‰ 資料型別（在 python 庫中通常叫作 dtype）。這是張量中所包含資料的型別，例如，張量的型別可以是 float32、uint8、float64 等。在極少數情況下，你可能會遇到字元（char）張量。注意，numpy（以及大多數其他庫）中不存在字串張量，因為張量儲存在預先分配的連續記憶體段中，而字串的長度是可變的，無法用這種方式儲存。
我們使用語法 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（tensor slicing）。
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）。
第乙個軸（0 軸）叫作批量軸（batch axis）或批量維度（batch dimension）。
這是最常見的資料。對於這種資料集，每個資料點都被編碼為乙個向量，因此乙個資料批量就被編碼為 2d 張量（即向量組成的陣列），其中第乙個軸是樣本軸，第二個軸是特徵軸。
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。
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)。
深度學習 張量
張量是乙個資料容器，包含的資料是數值資料。矩陣是二維張量，而張量則是矩陣向任意維度的推廣。張量的維度 dimension 通常叫作軸 axis 標量 只有乙個數字的張量叫作標量，也叫0維張量。我們可以通過ndim來檢視張量的維度，或者說軸的個數。向量一維張量，只有乙個軸。x np.array 1 2...
深度學習 tensorflow張量運算
為什麼我們單獨講解乙個tensorflow的張量 矩陣 運算了？因為神經網路原理其實就是矩陣的運算。如圖所示，我們有三個神經元，兩個輸出。其實背後的計算不過是 所以，學會矩陣運算，是實現神經網路的第一步。相乘矩陣的相乘我們使用tf.matmul方法。x tf.variable 1.1.1.w tf....
深度學習準備（1） 張量
中文 張量 英文 tensor 數學上，把一維陣列叫向量 帶有方向的數量，線性代數有這個概念 把二維陣列叫矩陣 像矩形的乙個形狀，古代把一群士兵組成的方陣，叫陣 由於，矩形這個詞語被占用了，就發明了這個詞兒 三維，三維以上陣列，就叫張量，也叫做多維陣列 張量計算，就是多維陣列計算 另外，一般化之後的...