常用！基础！吴恩达deeplearning.ai:Tensorflow中数据形式

由于一些历史遗留问题，Numpy和Tensorflow在数据处理方面存在一些不一致的地方，今天我们主要来了解一下其中一些约定俗成的形式，从而能够让你写出正确的代码(耍帅）。

---

Tensorflow是如何表示数据的

特征向量

和上一节博客中的例子一样(详细链接在这里），我们先看看咖啡：

这个例子之中，特征向量有两个，分别是温度（摄氏度），烘焙时间（分钟），那么x的写法如下：

x = np.array([[200.0, 17.0]])
1

看到这里你是否会有疑问，为什么这里有两个方括号嘞？是不是多此一举嘞？俺第一次看到这里也有同样的疑问。

关于Numpy矩阵

让我们再举出两个例子：
假设我们要创建一个两行三列的矩阵，它的内容为[[1,2,3], [4,5,6]],线性代数中一般称之为2*3矩阵，那么它的创建方式为：

x = np.array([[1, 2, 3],
              [4, 5, 6]])
1
2

假设我们要创建一个四行两列的矩阵，它的内容为 0.1，0.2，-3，-4，-0.5，-0.6，7.0，8.0，同样的，这种矩阵被称为4*2矩阵，那么代码为：

x = np.array([[0.1, 0.2],
              [-3, -4]
              [-0.5，-0.6]
              [7.0, 8.0])
1
2
3
4

当行数列数多了你会更容易明白，外面一层括号的作用是将里面矩阵的每一行组合到一起。
反过来说，如果你写的代码是这样的：

x = np.array([200, 17])
1

那么它并不是一个矩阵，这仅仅是一个数字列表。
因此，在普通的线性回归与逻辑回归之中，我们使用x = np.array([200, 17])这种单层中括号形式来表示，而由于Tensorflow之类的常常用于数据量很大的计算，因此需要用矩阵来进行，通常是双层中括号的表示形式。

激活向量

在上一节的代码示例中(详细链接在这里）第一层的代码：

x = np.array([[200.0, 17.0]])
layer_1 = Dense(units=3, activation='sigmoid')
a_1 = layer_1(x)
1
2
3

你是否有疑惑其中a1的形式呢，如果你看过我上之前的一篇博客，那么应该会更容易理解，a1作为一个激活值，又假设units=3，因此a1是一个3*1的矩阵（例如([[1,2,3]])),如果你print(a1)的话，会得到：

tf.Tensor([[1, 2, 3]]， shape=(1, 3), dtype=float32）
1

Tensor（翻译成中文是张量的意思）是Tensorflow团队创建的一种数据类型，专门用于矩阵计算。其中获得了三个数据，第一个当然是矩阵中数据的内容，第二个是矩阵的大小为1*3，一行三列，第三行是指矩阵中数据的类型为浮点型。
从技术上讲，张量比矩阵更加通用一点，但是在该课程中可以把张量理解为矩阵的一种。
当然，我们也有Numpy表示矩阵的方式：

a1.numpy()
输出：array([[1, 2, 3]], dtype=float32)
1
2

这个含义和上面是差不多的，就不过多解释了。
如果你获得了一个张量形式的矩阵，而想把它转换为Numpy形式的话，仍然运行：

a1.numpy()
1

它可以提取Tensor中的数据并且以numpy的形式返回。

第二层的代码是这样的：

layer_2 = Dense(units=1, activation='sigmoid')
a_2 = layer_2(a_1)
1
2

所以其中的a2是什么样的？a2应该是一个类似于0.8之类的浮点数，但准确的说应该是一个1*1的矩阵，即一行一列。如果你打印a2的话会得到：

tf.Tensor([[0.8]]， shape=(1, 1), dtype=float32）
1

和我刚刚的解释一致。
当然你也可以查看它的Numpy形式：

a2.numpy()
输出：array([[0.8]], dtype=float32)
1
2

在学习完本篇博客后，希望你可以了解数据在Numpy和Tensorflow中的区别，以及了解它们的转换方式和使用场景，从而更便于你进行深度学习的网络搭建。

为了给读者你造成不必要的麻烦，博主的所有视频都未开启仅粉丝可见，如果想要阅读我的其他博客，可以点个小小的关注哦╰(°▽°)╯