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
张槊哲3 分钟前
函数的定义与使用(python)
开发语言·python
船长@Quant8 分钟前
文档构建:Sphinx全面使用指南 — 实战篇
python·markdown·sphinx·文档构建
青松@FasterAI26 分钟前
【程序员 NLP 入门】词嵌入 - 上下文中的窗口大小是什么意思? (★小白必会版★)
人工智能·自然语言处理
AIGC大时代41 分钟前
高效使用DeepSeek对“情境+ 对象 +问题“型课题进行开题!
数据库·人工智能·算法·aigc·智能写作·deepseek
硅谷秋水42 分钟前
GAIA-2:用于自动驾驶的可控多视图生成世界模型
人工智能·机器学习·自动驾驶
偶尔微微一笑1 小时前
AI网络渗透kali应用(gptshell)
linux·人工智能·python·自然语言处理·编辑器
深度之眼1 小时前
2025时间序列都有哪些创新点可做——总结篇
人工智能·深度学习·机器学习·时间序列
晓数1 小时前
【硬核干货】JetBrains AI Assistant 干货笔记
人工智能·笔记·jetbrains·ai assistant
jndingxin2 小时前
OpenCV 图形API(60)颜色空间转换-----将图像从 YUV 色彩空间转换为 RGB 色彩空间函数YUV2RGB()
人工智能·opencv·计算机视觉
Sherlock Ma2 小时前
PDFMathTranslate:基于LLM的PDF文档翻译及双语对照的工具【使用教程】
人工智能·pytorch·语言模型·pdf·大模型·机器翻译·deepseek