深度學習基礎之神經網路的資料表示

本文均以python作為語言基礎。

1、張量（tensor）

張量的核心概念在於他是乙個資料容器，其包含的資料幾乎總是數值資料，因此，他是數字容器。張量是矩陣向任意維度的推廣。張量的維度，一般成為軸。一般來說，當前的所有機器學習系統都使用張量來作為基本資料結構，因此，他很重要。

2、標量（0d張量）

包含乙個數字的張量可以稱為標量，也叫做0d張量，在numpy中，用ndim屬性來標識張量軸的個數。標量有0個軸，ndim=0；而張量軸的個數，也可以叫做階（rank）。

>>> import numpy
>>> x = numpy.array(12)
>>> x.ndim
0>>>

3、向量（1d張量）

數字組成的陣列叫做向量，也叫作一維張量。一維張量只有乙個軸。向量也有維度，即向量包含的元素個數。向量有5個元素，就是5d向量。5d向量和5d張量不是乙個概念。5d向量只有乙個軸，沿著軸有5個維度。而5d張量有5個軸，每個軸有可能有任意個維度。維度就是沿著軸上的元素個數。

>>> import numpy
>>> x = numpy.array([1,2,3,4,5])
>>> x.ndim
1>>>

4、矩陣（2d張量）

矩陣很簡單，就是向量組成的陣列。也稱為2d張量。更高維度的張量類似，都是低維度張量的組合成新的陣列。

>>> import numpy
>>> x = numpy.array([[1,2,3,4,5],[4,5,6,7,8],[4,3,2,34,5]])
>>> x.ndim
2>>>

5、關鍵屬性

從上面可以總結出，張量具備三個基本屬性：

軸的個數（階）：numpy中的ndim屬性

形狀：其實形狀在數字表示就是乙個整數元祖。表示的是張量在每乙個軸上的維度。比如（3,4）表示就是乙個矩陣的形狀，即3行4列。標量的形狀為空，即（）。形狀在numpy中表示為shape

資料型別：即張量中包含的資料的資料型別。在numpy中，資料型別可以使用的dtype獲取。其可以為float32，uint8，float32等等。

>>> import numpy
>>> x = numpy.array([[1,2,3,4,5],[4,5,6,7,8],[4,3,2,34,5]])
>>> x.dtype
dtype('int32')
>>> x.shape
(3, 5)
>>>