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

看到这里你是否还有疑问，为什么这里有两个方论证嘞？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]]，线性代数中一般称为2*3矩阵，那么它的创建方式为：

x = np.数组([[1, 2, 3], [4 ， 5， 6]])

假设我们要创建一个四行两列的矩阵，其内容为 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：

x = np.数组([[0.1, 0.2]， [< span class="2f39-22da-e5a6-5f65 token 操作符">-3,  -4] [-0.5，-0.6 ] [7.0 8.0])

当行数列数多了你会更容易明白，东南层次的作用足以把矩阵的每一个行组合到一起。
反过来说，如果你写的代码是这样的：

x = np.数组([200< span class="756b-2d9d-d664-348d token punctuation">, 17] )

那么它不是一个矩阵，这对应一个数字列表。
因此，在普通的线性回归与逻辑回归中，我们使用 x = np.array([200, 17]) 这种单层中波形形式来表示，而由于 Tensorflow 之类的通常用于数据量很大的计算，因此需要用矩阵来进行，通常是数字中括号的表示形式。

激活提示

在上一节的代码示例中（链接在这里）详细第一层的代码：

x =< /span> np.数组([[200.0, 17.0< /span>]])layer_1 = 密集(单位=3 ,激活='sigmoid')a_1 = layer_1(x)

你是否有疑其中a1的形式呢，如果你看过我上一篇博客，那么之前应该会更容易理解，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]])),如果你打印(a1)的话，会得到：

tf.张量([[1, 2, 3]]，形状=(1, 3 ), dtype=float32）

张量（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，第一个两个是矩阵的大小为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：

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

a1.numpy()

它可以提取Tensor中的数据并以numpy的形式返回。

第二层的代码是这样的：

layer_2 = 密集(单位=1，激活=< /span>'sigmoid')a_2 = layer_2(a_1)< /span>

所以其中的a2消耗的？a2应该是一个类似于0.8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：

tf.Tensor([[0.8]]，形状=(1, 1), dtype=float32） 

和我刚才的解释是一致的。
当然你也可以查看它的 Numpy 形式：

a2.numpy()输出：数组([[0.8]], dtype=float32) 

在学习完本篇博客后，希望你可以了解 Numpy 和 Tensorflow 中数据的区别，以及了解它们的转换和使用场景，从而更有效地进行网络架构的深度学习。< /p>

为了给读者造成不必要的麻烦，博主的所有视频都未开启仅限粉丝可见，如果想看我的其他博客，可以点个太空关注哦╰( °▽°)╯