深度学习 - 多维数据和 tensor

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。这里就和大家一起看看多维数据的表示。

表示

我们先来看看 1 维，2 维，3 维的数据表示

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

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

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)

•   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)

本文查看了 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。