1、n维数组
N维数组(也称为张量tensor)是机器学习和神经网络的主要数据结构。
2维：例如图中，三个样本，每一行是一个样本，每一列是不同的特征。
3维，例如RGB图片，宽是列的个数，高是行的个数，然后又r、g、b三个通道；
4维，例如RGB图片的批量，学习时通常不是一张一张图去读，而是一个batch（一个批量）读好多张；
2、创建数组
需要：形状、每个元素的数据类型、每个元素的值
3、访问元素
最后一个，从开头到最后，跳着访问，每3行一跳，就是把第0行、第3行拿出来
4、代码用jupyter打开，在chapter_preliminaries/ndarray.ipynb
ctrl+enter运行选中的单元格
代码中函数的介绍看代码里的备注
（1）
（2）广播机制
注意：有时候其实代码写错了，但是仍然能跑！
在某些情况下，即使形状不同，我们仍然可以通过调用 广播机制（broadcasting mechanism）来执行按元素操作。 这种机制的工作方式如下：首先，通过适当复制元素来扩展一个或两个数组， 以便在转换之后，两个张量具有相同的形状。 其次，对生成的数组执行按元素操作。
（3）节省内存问题
运行一些操作可能会导致为新结果分配内存。 例如，如果我们用Y = X + Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。
Python的id()函数提供了内存中引用对象的确切地址（类似C中的指针）。 运行Y = Y + X后，会发现id(Y)指向另一个位置。 这是因为Python首先计算Y + X，为结果分配新的内存，然后使Y指向内存中的这个新位置。
before = id(Y)
Y = Y + X
id(Y) == before
结果：False
执行原地操作：可以使用切片表示法将操作的结果分配给先前分配的数组，例如Y[:] = <expression>
before= id(Y)
Y[:]= Y+ X
id(Y)== before
结果：True
before = id(X)
X += Y
id(X) == before
结果：True
（3）转换为其他Python对象
（4）下面例子中的reshape，并不是创建了一个新的对象b，而是创建了一个wheel，所以改b会把a一起改掉。
