演算法算力流程優化

❶ 演算法優化的意義

演算法優化的意義：

一般來說，演算法優化是進行網站建設或者是數據模型建設時，常用的一種優化模式。演算法優化的目的和意義在於：提升網站的面向能力、圖片的展現能力、以及提升讀者的便利性。

優化演算法有很多，關鍵是針對不同的優化問題，例如可行解變數的取值（連續還是離散）、目標函數和約束條件的復雜程度（線性還是非線性）等，應用不同的演算法。
對於連續和線性等較簡單的問題，可以選擇一些經典演算法，如梯度、矩陣、乘數、單純形法、梯度下降法等，而這些也是演算法優化和另貓電商中比較常見的。而對於更復雜的問題，則可考慮用一些智能優化演算法，如遺傳演算法和蟻群演算法，此外還包括模擬、禁忌搜索、粒子群演算法等。

❷ tensorflow的各種優化演算法怎麼實現的

如何高效的學習TensorFlow代碼?目前TensorFlow代碼已超過40w行，從代碼量上來看，絕不是一個能夠迅速上手的小項目。所以，想要精通TensorFlow的同學需要做好心理准備。對於想要學習TensorFlow（以下簡稱TF）的人，根據目的不同，可以簡單分為以下2類：1.研究學者，僅僅需要TF這個平台實現深度學習演算法，無需了解太多底層原理2.好學的行業內人員（比如我⊙﹏⊙），不僅需要了解演算法模型，同時還要熟悉TF平台的原理。在運算元、通信、模型優化等方面進行平台的二次開發的人。研究學者：你們可以考慮使用Keras，Python寫的深度神經網路庫，已經實現了絕大部分神經網路，如：RNN、GRU、LSTM，CNN，Pooling，Full-Connected，以及sigmoid、tanh、Relu、PRelu、SRelu等各種激活函數。並且採用TF/Theano作為後端計算引擎，自己本身擁有一套更高層的API，可以同時跑在TF/Theano平台上。相對於TF來說，這個學習壓力小了很多，我們公司負責演算法的同事也是用Keras來寫模型，然後我再用TF的API來實現分布式部署。附：開發人員：對於我們這類人來說，首先需要弄清平台的很多名稱、概念、定義，@賈揚清曾說過TF有太多的Abstraction需要學習。誠然，這加大了我們的學習難度。但是，這也說明Google是想要把這個平台做大做強的，所以才會花時間去設計這一套框架和統一的結構。特別是讀了部分源碼後，更有這種感觸。那麼，具體要怎麼開始呢？極客學院有翻譯部分TF的官方文檔，對於初步了解Tensor、DAG、Operator、Variable、Device、Optimizer等是幫助的。在看完這些概念後，有一個MNIST的例子程序作為TF的入門。這個樣例用一個簡單的Softmax實現了手寫體數字識別的神經網路，只有一層參數。同時還介紹了Session、tf.placeholder、圖的計算等重要概念。在看完這個樣例後，如果理解了DAG和Session，可以繼續看用卷積神經網路實現的MNIST，准確率上升到了99%，相對於單層Softmax的92%左右，已經接近目前最高的准確率了。TFv0.8發布了分布式模型，我也研究了將近1個月，才把Seq2seq機器翻譯改造成了分布式，但是現在公司不讓發布出來ORZ。好消息是，我改寫了社區的MNIST分布式程序，並且已經合並到master分支了。所以，如果想要繼續學習分布式的話，我建議可以看一下那份代碼。比較遺憾的是，極客學院目前沒有翻譯分布式的教程，所以大家得移步TF官網（貌似被牆了）。由於分布式的資料較少，我這里簡單梳理下概念，大家在官網會看到他們的定義：TF採用了PS/Worker的結構來定義集群，其中PS(parameterserver)：存儲variable（模型參數），主要負責參數更新和發放；Worker：存儲operator，主要負責圖計算和梯度計算（TF使用Optimizer實現了自動化的梯度計算）；job：由於工作類型不同，用job_name來區分ps和workertask：對於每個worker來說，具體做什麼任務（算什麼圖）也有可能不同，用task_index區分device：指具體的CPU/GPU，通常PS綁定到CPU上，Worker綁定到GPU上，各取所長。syncReplicaOptimizer：同步優化器，其本質仍然是用普通優化器進行梯度計算，但是通過Queue機制和Coordinator多線程協同實現了所有worker的梯度匯總和平均，最終將梯度傳回PS進行參數更新。以上幾個概念對於分布式的理解非常重要。當然，想要完全弄懂，還得不斷的看文檔和源碼。源碼我推薦幾個python目錄下非常值得看的基礎類定義：framework/Ops.py：定義了Tensor、Graph、Opreator類等Ops/Variables.py：定義了Variable類

❸ 結構優化的目標，優化方法，優化演算法哪些，及實現流程

產業結構優化升級目標：提高利潤，增強產品競爭力
區域協調發展的目標：減小貧富差距
產業結構優化措施：政策扶持科技企業
區域協調發展的措施：加大欠發達地區投入，沿海地區產業重心向內地礌功辟嘉轉黃辨萎玻聯遷移
簡單的說

❹ powell 優化演算法的過程

Powell優化演算法是利用儀器測井理建立誤差函數（非相關函數），藉助Powell方向加速法求出非相關函數達到最小時的解，對於氣，水兩相流動，從預設的氣，水流量初始值出發，沿不同的廣向進行搜索，可求出氣，水兩相流動中可能最大產量。與目前常用的生產測井解釋方法相比，文中提出的方法具有精度高，實用性強等優點，在測井曲線有缺陷時，仍有可能得到較好的結果。
powell.c代碼如下：
CODE:

＃i nclude "hjfgf.c"
double oneoptim(double x0[],double s[],double h0,double epsg,int n,double x[])
{double *a,*b,ff;
a=(double *)malloc(n*sizeof(double));
b=(double *)malloc(n*sizeof(double));
jtf(x0,h0,s,n,a,b);
ff=gold(a,b,epsg,n,x);
free(a);
free(b);
return (ff);
}
double powell(double p[],double h0,double eps,double epsg,int n,double x[])
{int i,j,m;
double *xx[4],*ss,*s;
double f,f0,f1,f2,f3,fx,dlt,df,sdx,q,d;
ss=(double *)malloc(n*(n+1)*sizeof(double));
s=(double *)malloc(n*sizeof(double));
for(i=0;i<n;i++)
{for(j=0;j<=n;j++)
*(ss+i*(n+1)+j)=0;
*(ss+i*(n+1)+i)=1;
}
for(i=0;i<4;i++)
xx[i]=(double *)malloc(n*sizeof(double));
for(i=0;i<n;i++)
*(xx[0]+i)=p[i];
for(;;)
{for(i=0;i<n;i++)
{*(xx[1]+i)=*(xx[0]+i);
x[i]=*(xx[1]+i);
}
f0=f1=objf(x);
dlt=-1;
for(j=0;j<n;j++)
{for(i=0;i<n;i++)
{*(xx[0]+i)=x[i];
*(s+i)=*(ss+i*(n+1)+j);
}
f=oneoptim(xx[0],s,h0,epsg,n,x);
df=f0-f;
if(df>dlt)
{dlt=df;
m=j;
}
}
sdx=0;
for(i=0;i<n;i++)
sdx=sdx+fabs(x[i]-(*(xx[1]+i)));
if(sdx<eps)
{free(ss);
free(s);
for(i=0;i<4;i++)
free(xx[i]);
return(f);
}
for(i=0;i<n;i++)
*(xx[2]+i)=x[i];
f2=f;
for(i=0;i<n;i++)
{*(xx[3]+i)=2*(*(xx[2]+i)-(*(xx[1]+i)));
x[i]=*(xx[3]+i);
}
fx=objf(x);
f3=fx;
q=(f1-2*f2+f3)*(f1-f2-dlt)*(f1-f2-dlt);
d=0.5*dlt*(f1-f3)*(f1-f3);
if((f3<f1)||(q<d))
{if(f2<=f3)
for(i=0;i<n;i++)
*(xx[0]+i)=*(xx[2]+i);
else
for(i=0;i<n;i++)
*(xx[0]+i)=*(xx[3]+i);
}
else
{for(i=0;i<n;i++)
{*(ss+(i+1)*(n+1))=x[i]-(*(xx[1]+i));
*(s+i)=*(ss+(i+1)*(n+1));
}
f=oneoptim(xx[0],s,h0,epsg,n,x);
for(i=0;i<n;i++)
*(xx[0]+i)=x[i];
for(j=m+1;j<=n;j++)
for(i=0;i<n;i++)
*(ss+i*(n+1)+j-1)=*(ss+i*(n+1)+j);
}
}
}
或者%powell演算法，用於尋找無約束最優值點
function powel=powell(x0,n,q,r,h,a)
d=eye(n); %n個線性無關的初始搜索方向
k=1;
kk=1;
xx(1,1:n)=x0;
while (kk)
y(1,1:n)=xx(k,1:n);
for j=1:n
s(j)=HJ(y(j,1:n),d(j,1:n),q); %調用0.618演算法
y(j+1,1:n)=y(j,1:n)+s(j).*d(j,1:n);
end
d(n+1,1:n)=y(n+1,1:n)-y(1,1:n);
if (norm(d(n+1,1:n),2)<r)
kk=0;
break;
else
ww=0;
m=1;
for i=1:n
gg=ff(y(i,1:n),q)-ff(y(i+1,1:n),q);
if (gg>=ww)
m=i;
end
end
cha=ff(y(1,1:n),q)-2*ff(y(n+1,1:n),q)+ff(2*y(n+1,1:n)-y(1,1:n),q);
cha1=2*(ff(y(m,1:n),q)-ff(y(m+1,1:n),q));
if (cha<cha1)
s(n+1)=HJ(y(n+1,1:n),h,a,d(n+1,1:n),q)
xx(k+1,1:2)=y(n+1,1:n)+s(n+1).*d(n+1,1:n)
for j=m+1:n
d(j,1:n)=d(j+1,1:n);
end
k=k+1;
else
xx(k+1,1:n)=y(n+1,1:n);
k=k+1;
end
end
end
powel=y(n+1,1:n)

function w=HJ(x0,h,d,dd,q) %0.618演算法
[a,b]=JTF(x0,h,d,dd,q); %調用進退法演算法，確定范圍
r=0.618;
r1=a+(1-r)*(b-a);
r2=a+r*(b-a);
y1=ff(x0+r1.*dd,q);
y2=ff(x0+r2.*dd,q);
k=1;
while (abs(r1-r2)>=0.1)
if y1<y2
b=r2;
r2=r1;
y2=y1;
r1=a+(1-r)*(b-a);
y1=ff(x0+r1.*dd,q);
else
a=r1;
r1=r2;
y1=y2;
r2=a+r*(b-a);
y2=ff(x0+r2.*dd,q);
end
end
w=(r1+r2)/2
%進退法
function [a,b]=JTF(x0,h,d,dd,q)
r0=0;
y0=ff(x0+r0.*dd,q);
k=0;
l=1;
while (l)
r1=r0+h;
y1=ff(x0+r1.*dd,q);
if y1<y0
h=d*h;
r=r0;
r0=r1;
y0=y1;
else
if k==0;
h=-h;
r=r0;
else
l=0;
break;
end
end
k=k+1;
end
a=min(r,r1);
b=max(r,r1);

❺ 如何把握演算法多樣化和優化

隨著課堂教學改革的深化和《數學課程標准》出台，對計算教學提出了新要求，「應重視口算，加強估算，提倡演算法多樣化」的理念，給計算教學的課堂帶來了新的活力，在不少老師的課堂上，演算法多樣化的理念能得到很好的體現，一道計算題通過教師的悉心引導，同學們的積極思考，奇思妙想層出不窮，學生課堂表現異常活躍，「演算法多樣化」成為小學數學教學中關注的一個熱點。在計算教學中，我們如何把握演算法多樣化和優化，不使教學流於形式呢？
圍繞這個問題，我們賓陽縣也開展了教研活動，教師們在把演算法多樣化具體落實在到教學實踐時，出現了不少的困惑和誤區；在我們學校，老師們也以此確立了一個校級課題，進行研究， 真正開展起來確實覺得對《數學課程標准》中提出的「演算法多樣化」這一理念的理解比較模糊，在操作上也有很多疑惑，難以把握好演算法多樣化教學的尺度；通過教研室組織的培訓，不斷學習、實踐和反思，摸爬滾打中我們有了一些自己的體會：
一、演算法多樣化不等於演算法全面化
演算法多樣化是一個學習共同體為解決某一個問題，通過動手實踐、自主探索和合作交流後形成的多種計算方法的集合體。它是針對一個學習共同體而言的，絕不是針對某一學習個體而言。多樣化並不意味著追求全面化。
首先，提倡演算法多樣化並不是把所有的演算法都要想出來。如教學13減9得幾時，學生只想到了以下四種方法：
（1）先擺13根小棒，再拿走9根，還剩4根；
（2）算減法想加法，因為9加4得13，把以13減9得4； （3）先從10里減9得1，1再加3得4；
（4）先算13減3得10，再算10減6得4。
除了學生想到的四種方法，還有其它方法，如：9減3得6，10再減6等於4。但學生沒有說出，如果教師刻意追求，反復啟發，千呼萬喚才得了出來，說明這種方法遠離兒童的認知最近發展區，強行讓學生接受這種方法就會加重學生負擔，無益於學生的發展。演算法多樣化教學，是教學生，不是教教材，不能為了追求全面而讓學生把大量的時間花費在某些難懂的解題方法上，只要不影響後續的學習，最好淡化形式，注重實質。
其次，演算法多樣化不能要求每個學生都要想出一種或幾種不同的計算方法，不能無原則地降低數學思考的要求。每個學生都有自己的特點，學生在學習數學方面的差異是客觀存在的。在演算法多樣化教學中要針對不同的學生提出不同的要求。對已經想出一種方法的學生，教師應給予充分的肯定並鼓勵他們繼續探索；對於沒有想出演算法的學生，在肯定他們已經積極動腦、努力探索的基礎上，要求他們學會傾聽別人的想法、聽懂別人的方法。同時要求他們在今後的學習中更加努力的探索，期望有更大的進步。
第三、演算法多樣化教學並非要求每個學生掌握多種演算法。演算法多樣化教學鼓勵學生用不同的方法探索和解決問題，但決不能要求每個學生都掌握多種演算法。教學中，教師可在引導學生了解不同的解題方法，體驗解題策略的多樣性，引導學生對各種方法進行分析、比較的基礎上，提出不同的要求。對學有餘力的學生，可鼓勵他們掌握兩種或兩種以上自己喜歡的方法，以開闊其視野；對學困生，只要他們能掌握一種適合自己的方法就可以了。
認識到演算法多樣化並非演算法全面化、不是一定要達到預期的幾種演算法，更不是一定要呈現教材中出現的每一種演算法；也不是讓每一個學生都得掌握其中的每一種演算法，而是從學生的自身認知水平出發，以開放、寬容的態度等待、處理演算法多樣化教學，讓學生盡量獲得成
功的體驗，感受到自我探索的價值和數學學習的樂趣，促進學生的可持續發展，這才是倡導演算法多樣化的目的所在。
二、多中選優，擇優而用
「多樣化」後干什麼？回答是肯定的：「優化！」因為演算法多樣化並不是單純意義上的計算方法多樣化，比之更重要的還有 相應的優化的過程，「多中選優，擇優而用」的思想方法，是學生的學習和生活中不可缺少的，也是發展學生數學思維、培養學生創新意識的重要方法。在研究中我們有的教師片面的認為演算法多樣化就是學生講的方法越多越好，刻意地追求演算法的多樣化，忽略了演算法的優化，從一個極端走向另一個極端，造成了計算教學的低效；也有的教師認為，如果對演算法進行優化，那就談不上演算法多樣化了，似乎多樣化與優化之間存在矛盾，其實不然，演算法優化是學生個體的學習、體驗和感悟的過程，如果不對演算法進行優化，我們的學生就沒有收獲、沒有提高。
1、構築多樣化與優化的橋梁。
演算法多樣化並不是單純意義上的計算方法多樣化，計算方法沒有好壞之分，但有繁簡之別，我們要清楚， 每一種看似復雜或簡單的計算方法之後，跟我們所要最終優化的方案，有哪些潛在的聯系。如教學9加幾的計算方法中，有擺小棒、數數、用計數器、湊十法等，湊十法是最簡單也是最實用的方法，而擺小棒、數數、計數器都與湊十法有一定聯系，象擺小棒過程中，學生是一根一根數的，教師就可以引導學生湊足十根捆成一捆，再數剩下幾根，讓大家一眼就看出一共是幾根，既簡單形象又滲透了「湊十」的概念；計數器具更是對湊十法的應用，個位上湊足了十個珠，再加上個位剩下的珠子，9+3一共等於幾。此時，教師如果能將這些方法的內在含義通過操作演示給學生，並適時小結9加幾的加法怎麼樣算最簡便，讓學生對湊十法從直觀到抽象都有深刻的理解，這樣才能促使學生對自己所選擇的方法。

❻ 編程中的優化演算法問題

1. 演算法優化的過程是學習思維的過程。學習數學實質上就是學習思維。也就是說數學教育的目的不僅僅是要讓學生掌握數學知識（包括計算技能），更重要的要讓學生學會數學地思維。演算法多樣化具有很大的教學價值，學生在探究演算法多樣化的過程中，培養了思維的靈活性，發展了學生的創造性。在認識演算法多樣化的教學價值的同時，我們也認識到不同演算法的思維價值是不相等的。要充分體現演算法多樣化的教育價值，教師就應該積極引導學生優化演算法，把優化演算法的過程看作是又一次發展學生思維、培養學生能力的機會，把優化演算法變成學生又一次主動建構的學習活動。讓學生在優化演算法的過程中，通過對各種演算法的比較和分析，進行評價，不僅評價其正確性——這樣做對嗎？而且評價其合理性——這樣做有道理嗎？還要評價其科學性——這樣做是最好的嗎？這樣的優化過程，對學生思維品質的提高無疑是十分有用的，學生在討論、交流和反思的擇優過程中逐步學會「多中擇優，優中擇簡」的數學思想方法。教師在引導學生演算法優化的過程中，幫助學生梳理思維過程，總結學習方法，養成思維習慣，形成學習能力，長此以往學生的思維品質一定能得到很大的提高。2. 在演算法優化的過程中培養學生演算法優化的意識和習慣。意識是行動的向導，有些學生因為思維的惰性而表現出演算法單一的狀態。明明自己的演算法很繁瑣，但是卻不願動腦做深入思考，僅僅滿足於能算出結果就行。要提高學生的思維水平，我們就應該有意識的激發學生思維和生活的聯系，幫助他們去除學生思維的惰性，鼓勵他們從多個角度去思考問題，然後擇優解決；鼓勵他們不能僅僅只關注於自己的演算法，還要認真傾聽他人的思考、汲取他人的長處；引導他們去感受各種不同方法的之間聯系和合理性，引導他們去感受到數學學科本身所特有的簡潔性。再演算法優化的過程中就是要讓學生感受計算方法提煉的過程，體會其中的數學思想方法，更在於讓學生思維碰撞，並形成切合學生個人實際的計算方法，從中培養學生的數學意識，使學生能自覺地運用數學思想方法來分析事物，解決問題。這樣的過程不僅是對知識技能的一種掌握和鞏固，而且可以使學生的思維更開闊、更深刻。3. 演算法優化是學生個體學習、體驗感悟、加深理解的過程。演算法多樣化是每一個學生經過自己獨立的思考和探索，各自提出的方法，從而在群體中出現了許多種演算法。因此，演算法多樣化是群體學習能力的表現，是學生集體的一題多解，而不是學生個體的多種演算法。而演算法的優化是讓學生在群體比較的過程中優化，通過交流各自得演算法，學生可以互相借鑒，互相吸收，互相補充，在個體感悟的前提下實施優化。因為優化是學生對知識結構的再構建過程，是發自學生內心的行為和自主的活動。但是，在實施演算法最優化教學時應給學生留下一定的探索空間，以及一個逐漸感悟的過程。讓學生在探索中感悟，在比較中感悟，在選擇中感悟。這樣，才利於發展學生獨立思考能力和創造能力。4. 優化演算法也是學生後繼學習的需要。小學數學是整個數學體系的基礎，是一個有著嚴密邏輯關系的子系統。演算法教學是小學數學教學的一部分，它不是一個孤立的教學點。從某一教學內容來說，也許沒有哪一種演算法是最好的、最優的，但從演算法教學的整個系統來看，必然有一種方法是最好的、最優的，是學生後繼學習所必需掌握的。在演算法多樣化的過程中，當學生提出各種演算法後，教師要及時引導學生進行比較和分析，在比較和分析的過程中感受不同策略的特點，領悟不同方法的算理，分析不同方法的優劣，做出合理的評價，從而選擇具有普遍意義的、簡捷的、並有利於後繼學習的最優方法。5. 優化也是數學學科發展的動力。數學是一門基礎學科，是一門工具學科，它的應用十分廣泛。數學之所以有如此廣泛的應用，就是因為數學總是要求人們不斷尋求使問題獲得解決的捷徑，在眾多復雜的問題中，不斷尋找最優、最簡捷的解決問題的方法；就是因為在每門學科的研究中，應用了數學方法後，其研究過程得到優化，提高了研究的效率和質量。計算是數學的主要內容，演算法的優化當然也不例外。所以數學的廣泛應用全得益於優化，優化是數學的靈魂。因此，數學的發展過程就是一個不斷優化的過程，它的每一個成果都是後人不斷優化前人研究成果的結果。優化是數學的精髓，是數學發展不竭的動力，數學就是在不斷優化的過程中得到發展的。

❼ 如何理解演算法多樣化和演算法優化之間的關系

1.演算法多樣化是「群體多樣化」
演算法多樣化不是要求每個學生都想出或都掌握兩種或多種演算法。「一個學生也許只想到了一種演算法，許多學生也許就有多種演算法，實施演算法多樣法時，教師不必將每一種演算法都挖掘出來，更不能憑教師自己的想像給學生列舉出千奇百怪、不合邏輯的演算法；教師不要生硬地套出學生的多種演算法；也不要求學生都要掌握多種演算法。」也就是說演算法多樣化是指「群體多樣化」，而不是「個體多樣化」。
2.演算法多樣化與演算法優化
有教師認為演算法優化就是跟著課本走，就是「演算法唯一化」。我們說的演算法優化有兩條標准，一是盡可能地選擇通法、通則，具有一般性，而不是適用於特殊數據的特殊演算法。二是盡可能選擇便於大多數同學接受、理解、掌握的演算法。第二條標准再具體些，又可細化為兩個方面：即算理上容易解釋，容易理解；演算法上簡捷，容易操作，容易掌握。有必要指出，這里的「優化」，不同於數學上的「最優化」，它是相對而言的，但又難以或者說不必精確刻畫的，其結果還常常不是唯一的。
演算法的優化可以是演算法多樣化的一個後繼步驟，演算法只有在優化後多樣化才有意義。新課標提倡演算法的多樣化，允許學生選擇自己喜愛的演算法，使得有些教師誤在課堂教學時，片面追求形式各異的演算法。雖說培養了學生的思維能力和創新精神，但明顯地思維難度太大，導致當堂課的教學內容不能完成。並且一些思維能力欠缺的學生腦筋轉不過來，直被說得雲里霧里，教學效果不夠理想。演算法的多樣化應是學生在探索演算法的過程中自然形成的，而不是生硬地套出多種演算法。在引導學生「群體演算法多樣化」後可以問一句：「你覺得哪種方法比較好？為什麼？」這樣，學生就在不知不覺中學會優化的方法了。

❽ 巧婦難為無米之炊,算力、演算法和數據到底哪個更重要

雖然不能這么絕對的判斷一定誰比誰重要，但在實際應用中很多時候的確是數據更加重要。有幾方面的原因：

在很多問題中，演算法的「好壞」在沒有大量有效數據的支撐下是沒有意義的。換句話說，很多演算法得到的結果的質量完全取決於其和真實數據的擬合程度。如果沒有足夠的數據支撐、檢驗，設計演算法幾乎等於閉門造車。

很多演算法會有一堆可調參數。這些參數的選擇並沒有什麼標准可依，無非是扔給大量數據，看參數的變化會帶來什麼樣的結果的變化。大量、有效的數據成為優化這類演算法的唯一可行方法。

更極端的例子是，演算法本身很簡單，程序的完善全靠數據訓練。比如神經網路。

對於很多成熟的演算法，優化演算法的增量改善通常遠小於增大輸入數據（這是個經濟性的考慮）。

比如問題中舉例的 Google。在它之前的搜索引擎已經把基於網頁內容的索引演算法做得很好了，要想有更大的改善需要換思路。PageRank 演算法的採用大大增加了輸入的數據量，而且鏈接數據本身對於網頁排名相當關鍵（當然他們也做了大量演算法的優化）。

相關介紹：

數據（data）是事實或觀察的結果，是對客觀事物的邏輯歸納，是用於表示客觀事物的未經加工的的原始素材。

數據可以是連續的值，比如聲音、圖像，稱為模擬數據，也可以是離散的，如符號、文字，稱為數字數據。在計算機系統中，數據以二進制信息單元0、1的形式表示。