机器学习 day17（ Tensorflow和Numpy中的数据形式）

丿罗小黑

已于 2024-03-26 20:58:14 修改

阅读量1.4k

点赞数 2

分类专栏：机器学习文章标签：学习机器学习

于 2023-06-11 15:33:03 首次发布

本文链接：https://blog.csdn.net/u011453680/article/details/131153843

版权

39 篇文章 12 订阅

订阅专栏

1. Numpy和Tensorflow

NumPy (Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
TensorFlow是Google开源的第二代用于数字计算的软件库。它是基于数据流图（计算图）的处理框架，数据流图（计算图）由有向边和节点组成，节点表示数学运算，有向边表示运算节点之间的数据交互。TensorFlow从字面意义上来讲有两层含义，一个是Tensor，它代表的是节点之间传递的数据，通常这个数据是一个n维矩阵。第二层意思Flow，指的是数据流，形象理解就是数据按照流的形式进入数据运算图的各个节点。

2. 矩阵
在这里插入图片描述

图中的矩阵是一个二维数组，它通常用行*列来表示
矩阵在Numpy中的形式是由内外两层方括号来组成，向量在Numpy中的形式是由一层方括号来组成
如图：第一个是 1 * 2 矩阵，第二个是 2 * 1矩阵，第三个是一维向量也叫一维数组
在线性回归和逻辑回归中，我们使用一维向量（一维数组）来表示输入特征X，在Tensorflow中，我们使用矩阵（二维数组）来表示输入特征X，这能使Tensorflow更高效的处理非常大的数据集

3. 代码的具体实现
在这里插入图片描述

a1为矩阵 [ [ 200.0，17.0 ] ] ，打印出来的结果为tensor，如tf.Tensor一行，其中shape表示该矩阵为 1*3 矩阵，float32为单精度，表示矩阵内部的元素为浮点数，且在计算机中用32个比特位（4个字节）表示一个数。
Tensor（张量）是一种数据类型，用于存储和执行矩阵计算。在这里，张量可以视为矩阵的一种表示方式。
可以用 .numpy() 函数来将tensor（张量）转换为numpy 数组，它们的数据还是相同，只是形式改变

在这里插入图片描述

4. Tensor和NDArray的不同

Tensor，即“张量”，是Tensorflow中最基础的运算单元，张量表示一个多维矩阵，实际上跟numpy数组、向量、矩阵的格式基本一样。
主要区别在于：NDArray只能运行在CPU上，不支持GPU加速。而tensor是专为GPU设计的，可以在GPU上进行更高效的计算，大大提高深度学习模型的训练和推断速度
当把NDArray 传递给 tensorflow时，tensorflow会将其转换为自己的内部格式，tensor（张量），当我们将数据从tensorflow中读取时，可以将其保留为张量或转换成NDArray。

5. tensor的其他优势