在机器学习中，我们有两个常用的运算库（TensorFlow 和 Numpy），由于库的开发与发展历史的种种原因，他们有着不同的数据形式。Numpy使用数组 array 进行 存储和运算，而TensorFlow 则是使用张量tensor。但其实他们两个长得几乎一模一样，只是用途不同。

# NumPy 数组 (array)
np.array([[200, 17]])      # shape (1,2)

# TensorFlow 张量 (tensor)
tf.constant([[200, 17]])   # shape (1,2)    constant指常量，表示张量中的数据不可修改

        两者的不同在于 tensor 是专门为AI设计的超级数组，主要有下面几点不同。

        所以，当我们去处理数据的时候需要使用 Numpy ，而在模型训练的时候需要使用 TensorFlow ，对应的也要去使用相应的数据形式。

        这里还需要注意对形式的理解

x = np.array([[200, 17]])
print(x.shape) # 输出：(1,2)

x = np.array([[200],[17]])
print(x.shape) # 输出：(2,1)

x = np.array([200,17])
print(x.shape) # 输出：(2,)

        用一个外层中括号表示数组，内层的中括号表示数据，每一个内层中括号表示一个数据，而内层中括号中数字的个数表示了数据维度的大小。从矩阵的视角来看，外层包整体， 内层是一行， 数字个数是列数， 内层个数是行数。

       再者就是数据维度的变换了，在数据训练的过程中，我们常见到对数据维度的变换。但TensorFlow本身可以接受任何维度的张量，决定数据维度的是模型/层。