qq_41258326的博客

这是一个维度张量的手段，对某个维度重复N次，没有重复操作。 写起来更加简介，内存的节省。 默认从右到左，从小维度开始。 不是1的情况无法复制。 如下:与tile做对比，tile占用的内存空间更大， ...

1

如何对tensor的数据进行读取，且就是数据的索引与切片。最开始是对index进行索引，但是这个方法不方便。 给定每个维度的索引 方法比较繁琐 可读性不强 numpy中的读取方法 在这里插入图片描述 可读性有所提升 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20200817094005269.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG

创建tensor的方式非常非常的多，比如将numpy转换为tensor,或者将List喂给tensor,或者创建一个全是0和1的tenor或者随机化初始，如果W，b比较多的话我们就用random的方式随机化初始。几种方法如下： 通过Numpy或者list得到tensor 非常简单，使用tf.convert_to_tensor函数实现： 也可以是全0的数据： 也可以是list操作： 新建人为数值的tensor tf.zero 将W,b全部初始化为0.有一点需要注意，tf.zero后面接的数据是shap

tensorflow的数据类型 常见的数据类型载体DATA CONTAINER： list: [1,1.2,hello,(1,2),layers], 但是当遇到图片的存储时候，比如一个64张图片 224*224的RGB图片[64,224,224,3] list就会显得力不从心，这时候我们需要np numpy.array 很方便的把一个大型数据存储起来 进行运算，很方便。但是他有一个致命的缺点就是就是他无法进行GPU的计算。我们甚至可以理解tensorflow的数据类型基本和np.array相同，只不过计

如下 一个简单的神经网络实现，梯度下降法 import tensorflow.compat.v1 as tf tf.disable_v2_behavior() import numpy as np import matplotlib.pyplot as plt #使用numpy生成200个随机点 x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis] noise=np.random.normal(0,0.02,x_data.shape) y_data=np.squar