深度学习中的数据类型

1. NumPy 数组 (numpy.ndarray)

• 核心定位：科学计算的基础工具，处理数值多维数组。

• 特点：

  • 高效数值运算：底层用 C 实现，适合数学计算（如矩阵乘法、傅里叶变换）。

  • 内存连续存储：数据在内存中连续排列，优化计算速度。

  • 维度灵活：支持从 0 维（标量）到 N 维数组。

• 典型场景：

  • 数学计算（如线性代数、随机数生成）。

  • 图像、音频等多维数据处理。

  • 与其他库（如 Pandas、深度学习框架）交互的中间格式。

2. Pandas  (DataFrame/Series)

• 核心定位：表格数据和时间序列处理，适合数据清洗、分析和统计。

• 特点：

  • 表格结构：DataFrame 是二维表格（行+列），Series 是单列数据。

  • 标签索引：支持用列名（columns）和行索引（index）快速定位数据。

  • 缺失值处理：自动处理 NaN（如填充、删除）。

  • 时间序列支持：内置日期范围生成、重采样等功能。

• 典型场景：

  • 数据清洗（如处理缺失值、去重）。

  • 统计分析（如分组聚合、透视表）。

  • 从 CSV/Excel 读取数据并预处理。

3. Tensor（PyTorch/TensorFlow 张量）

• 核心定位：深度学习框架中的多维数组，支持 GPU 加速和自动微分。

• 特点：

  • GPU 加速：可在 GPU 上运行，大幅提升计算速度。

  • 自动微分：记录计算图，支持反向传播（如 tensor.backward()）。

  • 动态/静态计算图：PyTorch 支持动态图，TensorFlow 早期静态图，现也支持动态。

  • 设备感知：数据可在 CPU 或 GPU 间迁移（如 tensor.to("cuda")）。

• 典型场景：

  • 构建和训练神经网络。

  • 需要 GPU 加速的大规模数值计算。

  • 实现自定义梯度下降或复杂模型。