常用!基础!吴恩达deeplearning.ai:Tensorflow中数据形式

由于一些历史遗留问题,Numpy和Tensorflow在数据处理方面存在一些不一致的地方,今天我们主要来了解一下其中一些约定俗成的形式,从而能够让你写出正确的代码(耍帅)。

文章目录


Tensorflow是如何表示数据的

特征向量

和上一节博客中的例子一样(详细链接在这里),我们先看看咖啡:

这个例子之中,特征向量有两个,分别是温度(摄氏度),烘焙时间(分钟),那么x的写法如下:

python 复制代码
x = np.array([[200.0, 17.0]])

看到这里你是否会有疑问,为什么这里有两个方括号嘞?是不是多此一举嘞?俺第一次看到这里也有同样的疑问。

关于Numpy矩阵

让我们再举出两个例子:

假设我们要创建一个两行三列的矩阵,它的内容为[[1,2,3], [4,5,6]],线性代数中一般称之为2*3矩阵,那么它的创建方式为:

python 复制代码
x = np.array([[1, 2, 3],
              [4, 5, 6]])

假设我们要创建一个四行两列的矩阵,它的内容为 0.1,0.2,-3,-4,-0.5,-0.6,7.0,8.0,同样的,这种矩阵被称为4*2矩阵,那么代码为:

python 复制代码
x = np.array([[0.1, 0.2],
              [-3, -4]
              [-0.5,-0.6]
              [7.0, 8.0])

当行数列数多了你会更容易明白,外面一层括号的作用是将里面矩阵的每一行组合到一起。

反过来说,如果你写的代码是这样的:

python 复制代码
x = np.array([200, 17])

那么它并不是一个矩阵,这仅仅是一个数字列表。

因此,在普通的线性回归与逻辑回归之中,我们使用x = np.array([200, 17])这种单层中括号 形式来表示,而由于Tensorflow之类的常常用于数据量很大的计算,因此需要用矩阵来进行,通常是双层中括号的表示形式。

激活向量

在上一节的代码示例中(详细链接在这里)第一层的代码:

python 复制代码
x = np.array([[200.0, 17.0]])
layer_1 = Dense(units=3, activation='sigmoid')
a_1 = layer_1(x)

你是否有疑惑其中a1的形式呢,如果你看过我上之前的一篇博客,那么应该会更容易理解,a1作为一个激活值,又假设units=3,因此a1是一个3*1的矩阵(例如([[1,2,3]])),如果你print(a1)的话,会得到:

python 复制代码
tf.Tensor([[1, 2, 3]], shape=(1, 3), dtype=float32)

Tensor(翻译成中文是张量 的意思)是Tensorflow团队创建的一种数据类型,专门用于矩阵计算。其中获得了三个数据,第一个当然是矩阵中数据的内容,第二个是矩阵的大小为1*3,一行三列,第三行是指矩阵中数据的类型为浮点型。

从技术上讲,张量比矩阵更加通用一点,但是在该课程中可以把张量理解为矩阵的一种。

当然,我们也有Numpy表示矩阵的方式:

python 复制代码
a1.numpy()
输出:array([[1, 2, 3]], dtype=float32)

这个含义和上面是差不多的,就不过多解释了。

如果你获得了一个张量形式的矩阵,而想把它转换为Numpy形式的话,仍然运行:

python 复制代码
a1.numpy()

它可以提取Tensor中的数据并且以numpy的形式返回。

第二层的代码是这样的:

python 复制代码
layer_2 = Dense(units=1, activation='sigmoid')
a_2 = layer_2(a_1)

所以其中的a2是什么样的?a2应该是一个类似于0.8之类的浮点数,但准确的说应该是一个1*1的矩阵,即一行一列。如果你打印a2的话会得到:

python 复制代码
tf.Tensor([[0.8]], shape=(1, 1), dtype=float32)

和我刚刚的解释一致。

当然你也可以查看它的Numpy形式:

python 复制代码
a2.numpy()
输出:array([[0.8]], dtype=float32)

在学习完本篇博客后,希望你可以了解数据在Numpy和Tensorflow中的区别,以及了解它们的转换方式和使用场景,从而更便于你进行深度学习的网络搭建。

为了给读者你造成不必要的麻烦,博主的所有视频都未开启仅粉丝可见,如果想要阅读我的其他博客,可以点个小小的关注哦╰(°▽°)╯

相关推荐
池央30 分钟前
AI性能极致体验:通过阿里云平台高效调用满血版DeepSeek-R1模型
人工智能·阿里云·云计算
我们的五年31 分钟前
DeepSeek 和 ChatGPT 在特定任务中的表现:逻辑推理与创意生成
人工智能·chatgpt·ai作画·deepseek
Yan-英杰32 分钟前
百度搜索和文心智能体接入DeepSeek满血版——AI搜索的新纪元
图像处理·人工智能·python·深度学习·deepseek
Fuweizn34 分钟前
富唯智能可重构柔性装配产线:以智能协同赋能制造业升级
人工智能·智能机器人·复合机器人
weixin_307779132 小时前
Azure上基于OpenAI GPT-4模型验证行政区域数据的设计方案
数据仓库·python·云计算·aws
玩电脑的辣条哥3 小时前
Python如何播放本地音乐并在web页面播放
开发语言·前端·python
taoqick3 小时前
对PosWiseFFN的改进: MoE、PKM、UltraMem
人工智能·pytorch·深度学习
suibian52353 小时前
AI时代:前端开发的职业发展路径拓宽
前端·人工智能
预测模型的开发与应用研究4 小时前
数据分析的AI+流程(个人经验)
人工智能·数据挖掘·数据分析
源大模型4 小时前
OS-Genesis:基于逆向任务合成的 GUI 代理轨迹自动化生成
人工智能·gpt·智能体