【深度學習基礎】張量的描述與深度學習常見張量
阿新 • • 發佈：2019-01-04
一些概念
深度學習中的所有資料張量的第一個軸都是樣本軸，也稱之為樣本維度。另外，深度學習模型不會同時處理整個資料集，而是將資料拆分成小批量，比如前面的案例就是每次取128個數據作為一個批量。
batch = train_images[:128]
# next
batch = train_images[128:256]
# nth
batch = train_images[128 * n: 128 * (n+1)]
在數字標號記住兩個點：
- 從0開始
- 左閉右開
這是老外喜歡的調性。
在這個場景裡，第一個軸稱之為批量軸 batch axis或者也稱之為批量維度 batch dimension
這些術語對於構建整個理解知識體系很重要。
現實世界的資料張量描述
這裡給出的幾個例子，可以作為參考：
- 向量資料：2D張量，形狀：
(samples, features) - 時間序列資料：3D張量，形狀：
(samples, timesteps, features) - 影象：4D張量，形狀為：
(samples, height, width, channels)或者(samples, channels， height, width)
向量資料
每一條/行就是一個數據，第一個軸是樣本軸，第二個軸是特徵軸。一般的CSV資料都是這類。
時間序列或序列資料
這裡給出的例子極好，以股票資料為例，每一分鐘可以記錄三個資料：
- 股票當前價格
- 前一分鐘最高價
- 前一分鐘最低價
所以每一分鐘的資料可以編碼為一個3D向量，注意這不是3D張量。一天下來，交易日有390分鐘，可以得到一個2D張量，形狀為(390,3)。一年250天則可以儲存在一個形狀為(250, 390,3)的3D張量中。一天的股票資料即為一個樣本。
第一個軸是樣本軸，第二個軸是時間軸，第三個軸是特徵軸，這是約定的慣例。
影象資料
這個很熟悉的，一張圖就是一個樣本，樣本軸一定是第一個；只是在樣本內軸的劃分有兩種：
- 通道在前
- 通道在後
其中Tensorflow用的是通道在後的設定，而Keras支援兩種設定。
END.