4、神经网络的数据表示与张量运算

神经网络的数据表示与张量运算

1. 神经网络的数据表示

在机器学习中，张量是基本的数据结构，谷歌的 TensorFlow 就因其而得名。那么，什么是张量呢？

1.1 张量的基本概念

张量本质上是数据的容器，通常存储的是数值数据。矩阵是二维张量，而张量是矩阵在任意维度上的推广，在张量的语境中，维度常被称为轴。

1.2 不同维度的张量

• 标量（0D 张量） ：只包含一个数字的张量称为标量，在 Numpy 中，float32 或 float64 类型的数字就是标量张量。可以通过 ndim 属性查看 Numpy 张量的轴数，标量张量的轴数为 0。示例代码如下：

import numpy as np
x = np.array(12)
print(x)  # array(12)
print(x.ndim)  # 0

• 向量（1D 张量） ：数字数组称为向量或一维张量，一维张量有且仅有一个轴。例如：

x = np.array([12, 3, 6, 14])
print(x)  # array([12, 3, 6, 14])
print(x.ndim)  # 1

需要注意的是，5D 向量和 5D 张量不同，5D 向量只有一个轴，该轴上有五个维度，而 5D 张