算法工程师修仙之路：Keras（八）

深度学习基础

神经网络的数学基础

---

神经网络的“齿轮”：张量运算

张量变形

• 第三个重要的张量运算是张量变形（tensor reshaping）。张量变形是指改变张量的行和列，以得到想要的形状。变形后的张量的元素总个数与初始张量相同。

  >>> x = np.array([[0., 1.],
  				  [2., 3.],
  			      [4., 5.]])
  >>> print(x.shape)
  (3, 2)
  >>> x = x.reshape((6, 1))
  >>> x
  array([[ 0.],
  	   [ 1.],
  	   [ 2.],
  	   [ 3.],
  	   [ 4.],
  	   [ 5.]])
  >>> x = x.reshape((2, 3))
  >>> x
  array([[ 0., 1., 2.],
  	   [ 3., 4., 5.]])
  

• 经常遇到的一种特殊的张量变形是转置（transposition）。对矩阵做转置是指将行和列互换，使 x[i, :] 变为 x[:, i]。

  >>> x = np.zeros((300, 20))	# 创建一个形状为 (300, 20) 的零矩阵
  >>> x = np.transpose(x)
  >>> print(x.shape)
  (20, 300)
  

张量运算的几何解释

• 对于张量运算所