神经网络与深度学习笔记（1）——实践基础

目录

1 创建张量

1.1 指定数据创建张量

1.2 指定形状创建

1.3 指定区间创建

2 张量的属性

2.1 形状的改变

3 张量的访问

3.1 访问张量

3.2 修改张量

---

声明：本博文仅为个人学习笔记，不做他用。

安装教程与学习参考：飞桨PaddlePaddle-源于产业实践的开源深度学习平台

学习课程参考：AI算法大赛 - 飞桨AI Studio - 人工智能学习实训社区 (baidu.com)

神经网络与深度学习PDF：神经网络与深度学习 (nndl.github.io)

神经网络与深度学习实践代码：GitHub - nndl/practice-in-paddle: 《神经网络与深度学习》案例与实践

1 创建张量

输入和输出都是多维数组，叫作张量(Tensor)。张量是矩阵的扩展与延伸，可以认为是高阶的矩阵。1阶张量为向量，2阶张量为矩阵。

1.1 指定数据创建张量

这里我们以二维为例：

# 导入PaddlePaddle
import paddle
# 创建二维Tensor
ndim_2_Tensor = paddle.to_tensor([[2,3,4],[5,6,7]])
print(ndim_2_Tensor)

运行结果如下：

Tensor(shape=[2, 3], dtype=int64, place=Place(gpu:0), stop_gradient=True,
       [[2, 3, 4],
        [5, 6, 7]])

其它维是一样的，需要注意的是每一维元素的数量必须相同。

1.2 指定形状创建

m, n = 2, 3

# 使用paddle.zeros创建数据全为0，形状为[m, n]的Tensor
zeros_Tensor = paddle.zeros([m, n])

# 使用paddle.ones创建数据全为1，形状为[m, n]的Tensor
ones_Tensor = paddle.ones([m, n])

# 使用paddle.full创建数据全为指定值，形状为[m, n]的Tensor，这里我们指定数据为10
full_Tensor = paddle.full([m, n], 10)

print('zeros Tensor: ', zeros_Tensor)
print('ones Tensor: ', ones_Tensor)
print('full Tensor: ', full_Tensor)

运行结果如下：

zeros Tensor:  Tensor(shape=[2, 3], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[0., 0., 0.],
        [0., 0., 0.]])
ones Tensor:  Tensor(shape=[2, 3], dtype=f