目录
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