算法工程师修仙之路：Keras（八）

深度学习基础

神经网络的数学基础

---

神经网络的“齿轮”：张量运算

张量变形

• 第三个重要的张量运算是张量变形（tensor reshaping）。张量变形是指改变张量的行和列，以得到想要的形状。变形后的张量的元素总个数与初始张量相同。

  >>> x = np.array([[0., 1.],
  				  [2., 3.],
  			      [4., 5.]])
  >>> print(x.shape)
  (3, 2)
  >>> x = x.reshape((6, 1))
  >>> x
  array([[ 0.],
  	   [ 1.],
  	   [ 2.],
  	   [ 3.],
  	   [ 4.],
  	   [ 5.]])
  >>> x = x.reshape((2, 3))
  >>> x
  array([[ 0., 1., 2.],
  	   [ 3., 4., 5.]])
  

• 经常遇到的一种特殊的张量变形是转置（transposition）。对矩阵做转置是指将行和列互换，使 x[i, :] 变为 x[:, i]。

  >>> x = np.zeros((300, 20))	# 创建一个形状为 (300, 20) 的零矩阵
  >>> x = np.transpose(x)
  >>> print(x.shape)
  (20, 300)
  

张量运算的几何解释

• 对于张量运算所操作的张量，其元素可以被解释为某种几何空间内点的坐标，因此所有的张量运算都有几何解释。

• 通常来说，仿射变换、旋转、缩放等基本的几何操作都可以表示为张量运算。举个例子，要将一个二维向量旋转 theta 角，可以通过与一个2×2矩阵做点积来实现，这个矩阵为 R = [u, v]，其中 u 和 v 都是平面向量：u = [cos(theta), sin(theta)]，v = [-sin(theta), cos(theta)]。

深度学习的几何解释

• 神经网络完全由一系列张量运算组成，而这些张量运算都只是输入数据的几何变换。 因此，你可以将神经网络解释为高维空间中非常复杂的几何变换，这种变换可以通过许多简单的步骤来实现。

• 机器学习的内容：为复杂的、高度折叠的数据流形找到简洁的表示。

• 深度学习特别擅长这一点：它将复杂的几何变换逐步分解为一长串基本的几何变换，深度网络的每一层都通过变换使数据解开一点点，许多层堆叠在一起，可以实现非常复杂的解开过程。