Keras深度学习基础概念的建立

正文

张量是一个任意维度的数据容器，我们很常见的有一维向量如[0,1,2,3]，二维张量如矩阵，张量的维度是不收限制是任意的。并且值得注意的是张量只能存放数据，是一个数据容器。
- 张量维度的判断方法：对弈一个张量，最外层有几个括号就是几维的张量，特别是在pytohn语言中，我们可以轻易的通过列表最大的层数来判断其维度，
- 在Python科学计算包中，可以通过numpy来得到张量的维度，我们把数据通过np.array（list）传入，这之后，就可以通过array的ndim属性来得到张量的维度

从上文我们也知道，在Python中操纵张量的最好工具就是numpy。我们知道如果一个array他的ndim属性为3，那么的shape必定为一个含有三个数据的数值，反向推理我们可以知道：如果我们改变这个数组的shape例如从含有三个数值到含有两个数值，呢么其维度必然下降到二维，这在神经网络中是很有必要的，因为TensorFlow要求输入的张量有一定的维度要求。如下图

在实际应用中我们会经常遇到不同维度的张量典型的图像数据为4D（即四维张量），视频数据为5D，还有一个我们可以自己定义的张量
- 对与一个统计人的信息的数据集，假如有一万个人，我们可以定一个1w的样本轴作第一个维度，每个人又有社保，工资，邮编等数据，所以可以存储在（10000,3）这样一个张量中。
接下来是最重要的张量计算，这个是Keras神经网络运算的基础。通常有以下这些操作：
- 逐元素的运算，例如我要对这个数组内的所有元素取指数或者进行别的函数运算，这个通常还是用numpy实现的，numpy中集成了大量的对于任意维张量的逐个元素的运算。如下
- 另一种是张量与张量之间的运算，例如把两个张量相加。但是这里会出现一个问题，我们把不同纬度之间的张量相加会怎么样的？不用担心这个问题，numpy存在一个广播机制，对不同维度的张量进行加法运算时他会这么做
  - 首先向较小的张量种补齐所需要的轴维度是两者的ndim相同。
  - 然后较小的张量会沿着新轴重复，知道匹配大张量。
- 还有一种最重要的张量运算----点积，也就是线性代数中的矩阵的点积，他们的原理是相同的。我们通常使用numpy.dot来完成张量之间的点积。