目录
深度学习中的基础数据结构
在深度学习中，理解和操作数据的基础结构至关重要，主要包括以下几种：
1. N维数组
定义
- N维数组（Tensor）是深度学习中最常用的数据结构。
- 包括标量（0维数组）、向量（1维数组）、矩阵（2维数组）、3D数组（张量，3维数组）和更高维度的数组。
特点
- 标量：只有一个值，例如5。
- 向量：一维数组，例如[1, 2, 3]。
- 矩阵：二维数组，例如[[1, 2], [3, 4]]。
- 3D数组：例如一个包含多张图片的数据结构。
- 4D数组：常用于批量处理多个3D数组。
- 5D数组：常用于视频处理，表示多段视频的批量。
访问元素
- 可以使用索引访问N维数组中的元素。
- 索引的数量等于数组的维度。
2. 机器学习中常用的数据结构
N维数组
- 包括标量、向量、矩阵、批量等。
- 访问和创建这些数组的方法对于深度学习至关重要。
示例
- 2D数组：如一张图片，可以表示为一个矩阵。
- 3D数组：如一批图片，可以表示为一堆矩阵。
- 4D数组：视频的帧数据，可以表示为多个3D数组。
- 5D数组：批量的视频数据，可以表示为多个4D数组。
3. 数学中的访问操作
带跳转的子区域
- 访问一个数组的子区域时，可以指定跳跃的步长（stride）。
- 例如，访问矩阵的子矩阵时，可以通过步长来跳过某些行或列。
访问示例
- 访问一个向量中的一个区间：
array[start:end] - 访问一个矩阵中的某一行或某一列：
matrix[row, :]或matrix[:, column] - 通过步长访问带跳跃的子区域：
array[start:end:step]
4. 数学中的访问操作
在处理高维数组（如张量）时，访问和操作其子区域是常见的需求。以下是一些具体的访问操作及其示例：
4.1 一维数组（向量）
访问一个区间
通过指定起始位置和结束位置来访问一个区间的元素：
import numpy as np
# 创建一个一维数组
vector = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 访问从索引2到索引5的元素（不包括索引5）
sub_vector = vector[2:5]
print(sub_vector) # 输出: [2 3 4]
带步长的区间访问
通过步长来访问带跳跃的元素：
# 访问从索引1到索引8的元素，步长为2
sub_vector_with_stride = vector[1:8:2]
print(sub_vector_with_stride) # 输出: [1 3 5 7]
4.2 二维数组（矩阵）
访问某一行或某一列
通过指定行或列索引来访问：
# 创建一个二维数组
matrix = np.array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
# 访问第二行（索引从0开始）
second_row = matrix[1, :]
print(second_row) # 输出: [3 4 5]
# 访问第三列
third_column = matrix[:, 2]
print(third_column) # 输出: [2 5 8]
访问子矩阵
通过指定行和列的范围来访问子矩阵：
# 访问从第一行到第二行，从第一列到第二列的子矩阵
sub_matrix = matrix[0:2, 1:3]
print(sub_matrix)
# 输出:
# [[1 2]
# [4 5]]
4.3 三维数组（张量）
访问某个二维切片
通过指定切片索引来访问某个二维切片：
# 创建一个三维数组
tensor = np.array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]]])
# 访问第一个二维切片
first_slice = tensor[0, :, :]
print(first_slice)
# 输出:
# [[0 1 2]
# [3 4 5]
# [6 7 8]]
带步长的子区域访问
通过步长来访问三维数组的子区域：
# 访问第一个二维切片的子区域，步长为2
sub_tensor_with_stride = tensor[0, 0:3:2, 0:3:2]
print(sub_tensor_with_stride)
# 输出:
# [[0 2]
# [6 8]]