深度学习基础之多维数据和tensor

实验背景

在tensorflow中，模型输入和卷积核一般都是用4-D的tensor来表示，对于构建模型过程中，也都是在多维（超过3维）的tensor或者numpy 数组（权重值weights和偏差bias）进行相应的操作。

对于1维，2维，3维的数据，都可以通过可视化的方式进行直观的理解，有对应现实参照物。超过3维，数据表示和操作，就比较不好理解。诺兰的电影【星际穿越】的第五维空间，脑洞大开。『WedO实验君』就和大家一起看看多维数据的表示。

实验器材

● python

● tensorflow

● numpy

实验内容

表示

我们先来看看1维，2维，3维的数据表示

从中可以看出，多维数据的表示的规律为2维数据的每个单元为1维数据，3维数据的每个单元为2维数据。 从shape来看，最后一个为1维数据的单元个数， 倒数第二个为2维中的1维单元的个数，依此类推。

依照这个规律，4维数据为多个三维数据的集合，5维数据为多个4维数据的集合。

数据访问

tensorflow 的concat 连接理解

concat的含义就是合并，tf.concat([v1,v2] , axis=3)合并 axis表示在哪一个维度进行合并拼接。

tf.concat([v1,v2],axis=3) # 1维上合并，合并前shape为(2,2,2,3) 合并后为(2,2,2,6)

某一维度单元数据访问，还是参照【从shape来看，最后一个为1维数据的单元个数， 倒数第二个为2维中的1维单元的个数】这个来理解

tf.concat([v1,v2],axis=2) # 2维上合并，合并前shape为(2,2,2,3) 合并后为(2,2,4,3)

实验结语

本实验『WedO实验君』查看了tensorflow和numpy中的多维数据的构造和简要操作，希望对大家有帮助。