景点网站开发积极意义,做企业网站 长春,做网站的市场细分,怎么做淘客专属网站本文的ipynb 格式见CSDN下载。 0维张量/标量 标量是一个数字 1维张量/向量 1维张量称为“向量”。 2维张量 2维张量称为矩阵 3维张量 公用数据存储在张量 时间序列数据 股价 文本数据 图片 彩色图片 5D张量 结论 实际上#xff0c;你可以使用一个数字的张量你可以使用一个数字的张量我们称为0维张量也就是一个只有0维的张量。 它仅仅只是带有一个数字的水桶。想象水桶里只有一滴水那就是一个0维张量。
import numpy as np
x np.array(5)
print(x)
1维张量/向量,1维张量称为“向量”
x np.array([1,2,3,4])
print(x)
#通过NumPy’s ndim函数查看张量具有多个坐标轴。
x.ndim
2维张量
x np.array([[5,10,15,30,25],[20,30,65,70,90],[7,80,95,20,30]])
print(x)
x.ndim
3维张量
一个3维张量是一个数字构成的立方体 y np.array([[[5,10,15,30,25],[20,30,65,70,90],[7,80,95,20,30]],[[3,0,5,0,45],[12,-2,6,7,90],[34,3436,4364,3434,566]],[[17,13,25,30,15],[23,36,9,7,80],[1,-7,-5,22,3]]])
print(y)
y.ndim
3维时间序列
4维图像
5维视频
一个图像可以用三个字段表示
(width, height, color_depth) 3D
(sample_size, width, height, color_depth) 4D
时间序列数据
用3D张量来模拟时间序列会非常有效
医学扫描——我们可以将脑电波EEG信号编码成3D张量因为它可以由这三个参数来描述
(time, frequency, channel)
这种转化看起来就像这样 如果我们有多个病人的脑电波扫描图那就形成了一个4D张量 (sample_size, time, frequency, channel)
纽交所开市时间从早上9:30到下午4:00即6.5个小时总共有6.5 x 60 390分钟。 如此我们可以将每分钟内最高、最低和最终的股价存入一个2D张量390,3。如果我们追踪一周五天的交易我们将得到这么一个3D张量
(week_of_data, minutes, high_low_price)
即(5,390,3) 同理如果我们观测10只不同的股票观测一周我们将得到一个4D张量 (10,5,390,3) 假设我们在观测一个由25只股票组成的共同基金其中的每只股票由我们的4D张量来表示。那么这个共同基金可以有一个5D张量来表示 (25,10,5,390,3)
文本数据
我们也可以用3D张量来存储文本数据我们来看看推特的例子。
首先推特有140个字的限制。其次推特使用UTF-8编码标准这种编码标准能表示百万种字符 但实际上我们只对前128个字符感兴趣因为他们与ASCII码相同。所以一篇推特文可以包装成一个2D向量 140,128 如果我们下载了一百万篇川普哥的推文印象中他一周就能推这么多我们就会用3D张量来存
(number_of_tweets_captured, tweet, character)
这意味着我们的川普推文集合看起来会是这样 (1000000,140,128)
图片
4D张量很适合用来存诸如JPEG这样的图片文件。之前我们提到过一张图片有三个参数高度、宽度和颜色深度。 一张图片是3D张量一个图片集则是4D第四维是样本大小。
MNIST图片是黑白的这意味着它们可以用2D张量来编码但我们习惯于将所有的图片用3D张量来编码多出来的第三个维度代表了图片的颜色深度。 MNIST数据集有60,000张图片它们都是28 x 28像素它们的颜色深度为1即只有灰度。 TensorFlow这样存储图片数据
(sample_size, height, width, color_depth)
于是我们可以认为MNIST数据集的4D张量是这样的 (60000,28,28,1)
彩色图片
彩色图片有不同的颜色深度这取决于它们的色彩注跟分辨率没有关系编码。 一张典型的JPG图片使用RGB编码于是它的颜色深度为3分别代表红、绿、蓝。 这是一张我美丽无边的猫咪Dove的照片750 x750像素这意味着我们能用一个3D张量来表示它 (750,750,3)
然后如果我们有一大堆不同类型的猫咪图片虽然都没有Dove美 也许是100,000张吧不是DOVE它的750 x750像素的。我们可以在Keras中用4D张量来这样定义 (10000,750,750,3)
5D张量
5D张量可以用来存储视频数据。TensorFlow中视频数据将如此编码
sample_size, frames, width, height, color_depth)
如果我们考察一段5分钟300秒1080pHD1920 x 1080像素每秒15帧总共4500帧颜色深度为3的视频我们可以用4D张量来存储它 (4500,1920,1080,3) 当我们有多段视频的时候张量中的第五个维度将被使用。如果我们有10段这样的视频我们将得到一个5D张量 (10,4500,1920,1080,3)
这个5D张量中值的数量为 10 x 4500 x 1920 x 1080 x 3 279,936,000,000 在Keras中我们可以用一个叫dype的数据类型来存储32bits或64bits的浮点数 我们5D张量中的每一个值都将用32 bit来存储现在我们以TB为单位来进行转换 279,936,000,000 x 32 8,957,952,000,000bit 1.119744T 参考文献 Learning AI if You Suck at Math — P4 — Tensors Illustrated (with Cats!)
你真的懂TensorFlow吗Tensor是神马为什么还会Flow?
