DL_WITH_PY系统学习（第2章）

​

本节提示：

1、第一个dl例子；

2、tensor和tensor操作；

3、DL如何通过逆向传播和梯度下降达到学习目的。

2.1 输入数据集的格式

,*,)))

network.add(layers.Dense(,,*))

train_images = train_images.astype(

test_images = test_images.reshape((,*))

test_images = test_images.astype(

一方面是reshape，另一方面是转换成float32结构。这两个都是非常常见的操作。

2.5进行one_hot处理

,)

回顾一下这里输入模型的数据

rain_images 是数量*（长*宽）

train_labes 是onehot格式。这两个部分首先要清楚。

并且进行最后的验证

test_loss,test_acc = network.evaluate(test_images,test_labels)

 

注意，即使是这里的这些非常简单的函数和数据，如果没有GPU的支持，也可能是需要较长时间才能够运行的。

2.7 什么是tensor

经常看见的tensor这个词，所谓tensor，就是数据的容器（a container for data)

比如

np.array(12)就是一个0D tensor

np.array([12,3,6,14])一个列表，就是一个1D tensor

np.array([12,3,6,14],

             [6,79,35,1],

             [7,80,4,36,2] )

一个列表的组合，就是一个2D tensor

再往上堆，就是3D tensor，也是比较好理解的

2.8  tensor的组成

主要包括3个部分

维度(rank)比如3D tensor显而易见就是3d的                     对应ndim

形状（shape)也就是具体填充tensor里面的具体内容       对于shape

种类（data type) float32 或者 float64之类                        对于dtype

具体打印一个数据

]

plt.imshow(digit,cmap=plt.cm.binary)

plt.show()

这里这个两次show令人印象深刻。

2.9实际情况下的图像存储

一套256*256的128 gray的图片集可以保存在(128,256,256,1)的4d tensor中；而一套同样大小的彩色图像可以保持在(128,256,256,3)的tensor中。

如果是video data,往往必须是5维数据。

来自为知笔记(Wiz)

附件列表