- Numpy和Tensorflow
- NumPy (Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
- TensorFlow是Google开源的第二代用于数字计算的软件库。它是基于数据流图的处理框架，图中的节点表示数学运算，边表示运算节点之间的数据交互。TensorFlow从字面意义上来讲有两层含义，一个是Tensor，它代表的是节点之间传递的数据，通常这个数据是一个多维度矩阵或者一维向量;第二层意思Flow,指的是数据流，形象理解就是数据按照流的形式进入数据运算图的各个节点。
- 矩阵
- 矩阵是一个二维数组，它通常用 行*列 来表示
- 矩阵在Numpy中的形式是由内外两层方括号来组成，向量在Numpy中的形式是由一层方括号来组成
- 如图：第一个是 1 * 2 矩阵，第二个是 2 * 1矩阵，第三个是一维向量也叫一维数组
- 在线性回归和逻辑回归中，我们使用一维向量（一维数组）来表示输入特征X，在Tensorflow中，我们使用矩阵（二维数组）来表示输入特征X，这能使Tensorflow更高效的处理非常大的数据集
- 代码的具体实现
- a1为矩阵 [ [ 200.0，17.0 ] ] ，打印出来的结果为tensor，如tf.Tensor一行，其中shape表示该矩阵为 1*3 矩阵，float32为单精度，表示矩阵内部的元素为浮点数，且在计算机中用32个比特位（4个字节）表示一个数。
- Tensor（张量）是一种数据类型，用于存储和执行矩阵计算。在这里，张量可以视为矩阵的一种表示方式。
- 可以用 .numpy() 函数来将tensor（张量）转换为numpy 数组，它们的数据还是相同，只是形式改变
- layer 2的激活值a2是一个 1*1 的矩阵 [ [ 0.8 ] ]，仍是一个二维数组
- 将a2打印出来，结果为tensor，它的shape为（1，1），元素为float32。
- 仍然可以用 .numpy() 函数来使 tensor（张量）转换成numpy 数组
- tensor和numpy array的不同
- 主要区别在于：numpy不支持GPU加速，而tensor可以在GPU上进行更高效的计算，大大提高深度学习模型的训练和推断速度
- 当把numpy array 传递给 tensorflow时，tensorflow会将其转换为自己的内部格式，tensor（张量），当我们将数据从tensorflow中读取时，可以将其保留为张量或转换成numpy array。
- tensor的其他优势
- 支持自动微分：深度学习中的反向传播算法需要计算梯度，而Tensor可以自动计算梯度，这使得深度学习模型的训练更加方便和高效。
- 支持多种数据类型：Tensor可以存储多种数据类型，包括整数、浮点数、布尔值等，这使得深度学习模型可以处理多种类型的数据。
- 支持分布式计算：Tensor可以在多个设备和机器之间进行分布式计算，这使得深度学习模型可以扩展到更大的数据集和更复杂的模型
