机器学习–张量

机器学习的数据结构–张量

张量是机器学习程序中的数字容器，本质上就是各种不同维度的数组，如下图所示。

张量的维度称为轴（axis），轴的个数称为阶（rank）

标量–0D张量

import numpy as np #导入NumPy
X = np.array(5) # 创建0D张量，也就是标量
print("X的值",X)
print("X的阶",X.ndim) #ndim属性显示张量轴的个数
print("X的数据类型",X.dtype) # dtype属性显示张量数据类型
print("X的形状",X.shape) # shape属性显示张量形状

向量–1D张量

由一组数字组成的数组叫作向量（vector），也就是一阶张量

X = np.array([5,6,7,8,9]) #创建1D张量，也就是向量
print("X的值",X)
print("X的阶",X.ndim) #ndim属性显示张量轴的个数
print("X的形状",X.shape) # shape属性显示张量形状

（5，）表示一个1D张量，元素数量是5，也就是5维向量。

矩阵–2D张量

矩阵是2D张量，形状为 （样本，特征）。第一个轴是样本轴，第二个轴是特征轴。

序列数据–3D张量

时序数据集的形状为3D张量：（样本，时戳，标签）

图像数据–4D张量

图像数据集其形状为（样本，图像高，图像宽度，颜色深度），如MNIST特征数据集的形状为 （60000，28，28，1）。

比如指定批量大小为64。此时每批的100px×100px的彩色图像张量形状为（64， 100，100，3），如果是灰度图像，则为（64，100，100，1）

视频数据–5D张量

其形状为（样本，帧，高度，宽度，颜色深度）

张量的创建和访问

array_04=np.arange(1,5,1) # 通过arange函数生成数组
array_05=np.linspace(1,5,5) # 通过linspace函数生成数组
print (array_04)
print (array_05)

arange（a，b，c）函数产生a～b（不包括b），间隔为c；

linspace（a，b， c）函数是把a～b（包括b），平均分成c份。

 

索引（indexing）和切片（slicing）这两种方式访问张量

array_06 = np.arange(10)
print (array_06)
index_01 = array_06[3] # 索引-第4个元素
print ('第4个元素', index_01)
index_02 = array_06[-1] # 索引-最后一个元素
print ('第-1个元素', index_02)
slice_01 = array_06[:4] # 从0到4切片
print ('从0到4切片', slice_01)
slice_02 = array_06[0:12:4] # 从0到12切片，步长为2
print ('从0到12切片，步长为4', slice_02)