菜鸟de深度学习之路——（2）张量运算和梯度优化

一，引言

上一节https://blog.csdn.net/zzl1060549268/article/details/88675915通过一个具体的例子，从整体上鸟瞰了一下一个三层神经网络，但是对于里面具体的数据处理涉及的库还不是特别了解，这一节主要学习一下numpy库这个神经网络的基础构建的常用方法和神经网络的梯度优化方法。

二，数据表示

在神经网络中，最最最常用的数据处理库无疑是numpy库了

numpy库是用来操作numpy多维数组(也叫张量tensor)的，其中包括了大量的快捷运算方法，numpy对于大规模的矩阵预算具有无以伦比的优势(可以并行)。

根据张量的维度(轴)不同，可以将矩阵分为标量（0d)，向量(1d)，矩阵(2d)和更高维张量：

import numpy as np
#0d
x=np.array(12)
print(x)
print(x.ndim)
#1d
y=np.array([12,13,14])
print(y)
print(y.ndim)
#2d
z=np.array([[12,13,14],
           [12,13,14]])
print(z)
print(z.ndim)
#3d
_=np.array([[[12,13,14],
            [12,13,14],
            [12,13,14]],
           [[12,13,14],
            [12,13,14],
            [12,13,14]],
           [[12,13,14],
            [12,13,14],
            [12,13,14]],])
print(_)