当你实现新的神经网络时，可以有一个一致的框架来考虑如何表示你的数据，今天用代码做事情的方式有一个不幸的事情，很多年前，Numpy首先被创建，并成为Python中线性代数的标准库，很久以后，谷歌大脑团队创建张量流，所以不幸的是，在Numpy中表示数据的方式之间存在一些不一致之处，所以了解这些惯例是很好的，这样你就可以实现正确的代码，并希望在你的神经网络中运行。
如何使用numpy和tensorflow表示数据 ？
假设你有一个这样的数据集，从咖啡的例子，会这样写X，为什么这里有一个双方括号？来看看向量和矩阵，如果你认为向量和矩阵很复杂，数学概念不用担心，可以举几个具体的例子，就可以使用矩阵和向量来实现你的网络。
让我们从一个矩阵的例子开始，这是一个有两行三列的矩阵
，因为有两行三列，所以称为之二乘三矩阵，所以约定矩阵的维数是行数乘以列数，所以在存储这个矩阵的代码中，这个二乘三矩阵只需把这些数字写成X=np点数组，就像右上角的一样，方括号告诉你[1,2,3]是这个矩阵的第一行，[4,5,6]是矩阵的第二行，然后这个输出方括号将第一行和第二行分组在一起，所以这将X设置为两个数组，所以矩阵只是一个由数字组成的二维数组。
再看一个例子，写出了另一个矩阵，它是一个四行二列的矩阵，所以这是一个按列数排列的行数矩阵，是一个四乘二矩阵，所以要把它存储在代码中，你会写成X=np数组，然后这里的语法存储这四行，所以这就创建了一个由这八个数字组成的二维数组。
矩阵可以有不同的维度，你看到一个二乘三矩阵和四乘二矩阵的例子，矩阵也可以是其他维度，就像一个接两个或者两个接一个，所以当将X设置为输入时，将特征向量X设置为等于带有两个方括号的NP数组[200,17]，它的作用是，这将创建一个只有一行两列的一对一矩阵，看一个不同的例子，如果你把X定义为np，但现在这样写，这将创建一个二乘一的矩阵，因为第一行是数字200，第二行是17，所以它有相同的数字，但在二乘一而不是数学中的一乘二矩阵中，上边的这个示例也称为行向量，是一个向量，它只是一行，下边的例子叫做列向量，因为它是一个只有一列的向量，像这样用两个方括号的区别相对于像这样的一个方括号，上边的两个示例是两个d数组，其中一个维度恰好是1，一维向量的结果，所以这只是一个没有行或列的单D数组，虽然按照惯例，我们可以把X写成一列，与我们之前在第一道菜中所做的对比，把X写成这样，用一个方括号，这导致了所谓的Python一维向量代替二维矩阵，从技术上说，这不是一个接两个或两个接一个，它只是一个没有行或列的线性数组，但这只是一组数字。
当我们使用线性回归和逻辑回归时，我们用这些一个D向量来表示输入特征，带张量流的X，惯例是使用矩阵来表示数据，为什么会有这种转换约定？事实证明，tensorflow是为处理非常大的数据集而设计的，通过用矩阵而不是一条射线来表示数据，它让Tensorflow在内部的计算效率更高一点，因此，回到我们最初的示例，看看这个数据集中的第一个训练示例，它的特点是在17分钟内达到200摄氏度，我们会这样表现，所以这实际上是一个二乘矩阵，它恰好有一行两列来存储数字200，17，以防这看起来像很多细节和非常复杂的惯例，别担心，这一切都会变得更加清晰，可以自己看到代码的具体实现。
回到之前执行的的代码，神经网络中的传播或推理，当你计算一个1，一个实际上会是一个一乘三的矩阵，如果你打印出一个a1，会得到tf点张量点[0.2,0.7,0.3]的形状，shape=(1,3)指的是这是一个一乘三的矩阵，这是Tensorflow的说法，它是一个浮点数，意思是它是一个数字，它们可以用计算机中的三个二位内存表示小数点，下面是tensorflow团队创建的数据类型，为了有效地存储和执行矩阵上的计算，所以每当你看到张量，把它想象成这几张图片上的矩阵，从技术上讲，张量比矩阵更一般一点，把张量看作是表示矩阵的一种方式，所以在开头就说，有一种表实矩阵的张量流方法以及表示矩阵的笨拙方式，这是历史的产物，关于Numpy和Tensorflow是如何创建的，有两种方法来表示这些系统中的矩阵，事实上，如果你想拿一个，它是一个张量，想把它转换回一个数字数组，你可以使用此函数这样做，他将获取相同的数据，并以Numpy数组的形式返回，而不是以张量流数组或张量流矩阵的形式。
让我们看看第二层的激活输出是什么，这是我们之前得到的代码，第二层是一个密集的层，有一个单元和Z状结肠激活，a2是通过取第二层来计算的，把它应用到a1，所以a2可能是像0.8这样的数字，从技术上讲，这是一个接一个的矩阵，是一个具有一行和一列的二维数组，如果你打印a2，你可以看到它是一个只有一个元素的张量流张量，它是一个一个接一个的矩阵，又是一个浮点数，小数点后三位数，在计算机内存中占用三个二位，再一次，你可以从张量流转换，使用两个Numpy到Numpy矩阵的张量，这将变成一个numpy的数组。
通过这篇文章的学习，希望可以来让你了解数据是如何在Tensorflow中表示的，在Numpy中加载数据和操作数据，但是当将一个Numpy数组传递给TensorFlow时，TensorFlow喜欢将其转换为自己的内部格式------张量，然后利用张量高效操作，当你读出数据时，你可以将其保留位张量，也可以将其转换回Numpy数组，实际上这两个库可以很好的协同工作，但当你来回转换时，无论你使用的是Numpy数组还是张量，这只是需要意识到的事情。