深度學習筆記 NumPy陣列

numpy的陣列類（numpy.array）中提供了很多便捷的方法，在實現深度學習時，我們將使用這些方法。

import numpy as np

這條語句就是「將numpy作為np匯入」的意思。通過寫成這樣的形式，之後numpy相關的方法均可通過np來呼叫。

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

np.array()接收python列表作為引數，生成numpy陣列。

x = np.array([1,2,3])
y = np.array([2,4,6])
print("對應元素加法x+y=",x+y)
print("對應元素減法x-y=",x-y)
print("對應元素乘法x*y=",x*y)
print("對應元素除法x/y=",x/y)

對應測試結果:

a = np.array([[1,2],[3,4]]) # 建立二維陣列a
print(a) # 列印二維陣列a
print(a.shape) # 檢視矩陣a的形狀
print(a.dtype) # 檢視矩陣a中元素的資料型別

對應測試結果：

numpy陣列可以生成n維陣列，這裡只展示了二維陣列（矩陣）的生成。

a = np.array([[1,2],[3,4]])
b = np.array([10,20])
print(a*10) # 矩陣與標量相乘
print(a*b) # 不同形狀的陣列相乘

對應測試結果：

numpy中，形狀不同的陣列之間也可以進行運算。上述例子a*10中，標量10被擴充套件成2*2的形狀，然後再與矩陣a進行乘法運算。例子a*b中，一維陣列b通過複製擴充套件成了2*2的形狀，然後再與矩陣a進行乘法運算。這就是numpy的廣播功能。

x = np.array([[51,55],[14,19],[0,4]])
# 通過下標直接訪問
print(x[0])
print(x[0][1])
# 運用for語句訪問
for row in x:
print(row)
# 使用陣列訪問
x = x.flatten() # 將x轉化為一維陣列
print(x[np.array([0,2,4])]) # 訪問索引為0,2,4的元素
print(x[x>15]) # 訪問x中值大於15的元素

對應測試結果：

對於兩個numpy矩陣x和y，語句np.dot(x,y)表示矩陣乘法x*y，語句np.dot(y,x)表示矩陣乘法y*x。由於矩陣的乘法有對應維度必須相等的限制，我們運用np.dot()方法時要小心謹慎。

特別要注意的一點是，對於(8,9)這樣的一維陣列用於矩陣乘法時，它可以根據維度情況看作1*2的矩陣或2*1的矩陣。

下面是乙個具體例子：

import numpy as np
a = np.array([[1,2],[3,4],[5,6]])
b = np.array([1,2])
c = np.array([[6,6,6],[2,2,2]])
print(np.dot(a,b)) # 計算矩陣a，b的乘積，這裡的一維陣列b看作是2*1的矩陣
print(np.dot(b,c)) # 計算矩陣b，c的乘積，這裡的一維陣列b看作是1*2的矩陣

對應測試結果：

# 本部落格參考了《深度學習入門——基於python的理論與實現》（齋藤康毅著，陸宇杰譯），特在此宣告。

深度學習筆記 NumPy陣列

Numpy陣列學習筆記

NumPy學習筆記03 陣列屬性

Numpy學習筆記（四）陣列屬性

深度學習筆記 NumPy陣列

Numpy陣列學習筆記

NumPy學習筆記03 陣列屬性

Numpy學習筆記（四）陣列屬性

相關推薦