Deep Learning with Python第二章（翻译）5，learningpython,为了让它更具体一些，

Deep Learning with Python第二章（翻译）5，learningpython,为了让它更具体一些，

为了让它更具体一些，让我们回去看看MNIST例子的过程。首先，我们下载了MNIST的数据包；

（略）

下一步，我们展示了张量train_images的轴的数量，ndim属性：

（略）

这是它的shape：

（略）

并且这是它的数据类型，dtype属性：

（略）

所以我们有了一个8位int的3D张量。更准确的说，这是一个每个包含了28*8个整数的60000个矩阵。每个矩阵是一个有着0到255之间系数的灰度图片。

让我们使用Matplotlib库（标准科学python套中的一部分）来展示四个3D张量的数字：于2.2可见。

（略）

2.2.6 Nmupy中的多维张量

在先前的例子中，我们在第一个轴的旁边使用语句train_images[i]选择了一个特殊的数字。在张量中选择选择特殊元素叫做张量切片。让我们看看你在Numpy数组中所做的张量切片操作。

接下来的例子中选则了数字#10到#100（#100不在其中），并且将它们放在数组（90，28，28）的shape中。

这相当于这个更详细的说法：它给沿着每个张量轴的切片指定了一个起点索引和一个终点索引。注意：是相当于选择整个轴

（略）

一般而言，你可能在沿着每个张量轴在任意两个索引之间进行选择。例如，为了选择所有图像右下角像素14*14的区域，你这样做：

（略）

它也可能使用负指数。更像是Python list中的负指数，它们指示的位置于当前轴的末尾有关系。为了裁剪中间居中14*14像素补丁，你需要这样做：

（略）

2.2.7 数据组的注释

一般而言，在所有数据张量中，你会在深度学习遇到的第一个轴（轴0，因为索引开始于0）是图像轴（有时叫做图像维度）。在MNIST的例子中，图片是数字的图像。

此外，深度学习没有执行一个完全数据组；它们宁愿数据分到更小的部分。具体来说，这里是一组被批处理为128尺寸的MNIST数字。

（略）

Deep Learning with Python第二章（翻译）5