numpy作为深度学习的好帮手，它 是 Python 语言的一个第三方库，支持大量高维度数组与矩阵运算。此外，NumPy 也针对数组运算提供大量的数学函数。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一。

简单介绍一下numpy的基础：

NumPy 的主要对象是多维数组 Ndarray。在 NumPy 中维度 Dimensions 叫做轴 Axes，轴的个数叫做秩 Rank。注意，numpy.array 和 Python 标准库 array.array 并不相同，前者更为强大，这也就是我们学习 NumPy 的重要原因之一。

使用 
numpy.array的参数：

 
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
 

demo1:一维数组

a = np.array([1,2,3]) 

#输出 [1, 2, 3]

demo2:二维数组

a = np.array([[1,  1],  [2,  2]]) 

#输出 ： 
[[1, 1] 
 [2, 2]]
 

NumPy 也支持比 Python 更多种类的数值类型:

bool_

存储为一个字节的布尔值（真或假）

int_
intc
intp

默认整数，相当于 C 的long，通常为int32或int64
相当于 C 的int，通常为int32或int64
用于索引的整数，相当于 C 的size_t，通常为int32或int64

int8
int16
int32
int64

字节（-128 ~ 127）
16 位整数（-32768 ~ 32767）
32 位整数（-2147483648 ~ 2147483647）
64 位整数（-9223372036854775808 ~ 9223372036854775807）

uint8 
uint16
uint32
uint64

8 位无符号整数（0 ~ 255）
16 位无符号整数（0 ~ 65535）
32 位无符号整数（0 ~ 4294967295）
64 位无符号整数（0 ~ 18446744073709551615）

float_ 
float16
float32
float64

float64的简写
半精度浮点：符号位，5 位指数，10 位尾数
单精度浮点：符号位，8 位指数，23 位尾数
双精度浮点：符号位，11 位指数，52 位尾数

complex_  
complex64 
complex128

complex128的简写
复数，由两个 32 位浮点表示（实部和虚部）
复数，由两个 64 位浮点表示（实部和虚部）

numpy数字类型是dtype（数据类型）对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_，np.float32等。

稍微了解就好，具体numpy超详细教程可看：

https://blog.csdn.net/qq_52213943/article/details/123722568https://blog.csdn.net/qq_52213943/article/details/123722568https://blog.csdn.net/qq_52213943/article/details/123722568

然后开始今天的代码：

首先我们导入TensorFlow、numpy、matplotlib，
然后我们用昨天记录的画布展示写一个函数，传进一个我们构造的张量，转化成数组然后创建画布并显示（原理见day01、day02）首先导入TensorFlow、numpy、matplotlib

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt



def show_tensor(tensor):
    b = np.array(tensor)
    plt.figure()
    plt.imshow(b,cmap='gray')
    plt.show()

定义main函数，创建一个128,128,3的张量，所有数值全为0

if __name__ == '__main__':
    a = tf.zeros([128, 128, 3])
    b = np.array(tf.zeros([128, 128, 3]))
    show_tensor(a)

把这个张量调用前面的show_tensor(),得到一张全是黑色的画布图像

现在我们修改一些，我们将一个范围内的数值从0改为255（RGB三色通道，0-255像素值，0就是黑色，255最亮就是白色）：

 for i in range(20,100):
        for j in range(20,100):
            b[i,j,:] = 255

 再把它打印出来看看：

我们将值从0改为255的点，发生了变化。

我们再随意一些：

 d = tf.zeros([128,128])
    d = np.array(d)
    d[35:50,45:80] = 125
    d[12:20,56:68] = 225
    d = tf.constant(d)
    show_tensor(d)

 猜猜他的样子？

他是这个样子：

同理，我猜你现在也可以利用numpy绘制任意的图像了，比如：

再复杂一些当然可以，自己动手试试吧！

 也许，这世界上根本就不存在什么奇迹，但是，如果真的有不可思议的变化就发生在了你身上，那么对于你来说，它不就是这世界上最大的一个奇迹吗? 愿你也能早日遇到那个里程碑，然后破土而出，创造出属于自己的人生奇迹!