第二章:神经网络数学基础
神经网络数学表示
1.张量
张量是一个数据容器,可表示任意维的数据,是二维矩阵向任意维的扩展,它的数据几乎总是数值数据。张量的维度,叫轴(axis).
张量的3个属性
- 维度,轴(axis),np.ndim
- 形状,np.shape是一个元组,表示张量在某个轴的维度大小(元素个数)
- 数据类型,dtype,如float32,float63,uint8,int8等
0-2维张量
- 0D张量
是一个标量,一个数字;阶数是0,ndim = 0;形状 shape=()
x = np.array(100)
- 1D张量
是一个向量,阶数是1,ndim = 1,形状 shape=(n,)
x = np.array([1,2,3,4,5,6])
- 2D 张量
是一个矩阵,阶数是2,ndim = 2,形状 shape=(m,n)
x = np.array([[1,2,3],[4,5,6],[7,8,9]])
2.现在世界中的数据张量
向量数据:2D张量,形状为(samples, features)
时间序列数据或序列数据:3D张量,形状为(samples, timesteps, features)
图像:4D张量,形状为(samples, height, width, channels) 或(samples, channels, height, width)
视频:5D张量,形状为(samples, frames, height, width, channels) 或(samples, frames, channels, height, width)
3.MNIST 数据集介绍
MNIST是一个包含0-9的手写数字,每个数字用灰度图像表示(28*28),划分到10给类别中。它由美国国家标准与技术研究院在20世纪80年代收集,包含60 000张训练图片,10 000张测试图片。