機器學習筆記之Numpy與張量

np.squeeze()

張量是矩陣向任意維度的推廣(張量的維度通常叫軸）

僅含乙個數字的張量叫標量（0d張量）

# 0d

x = np.array(12)
print(x)
print(x.ndim)
# 1d
x = np.array([12, 3, 6, 14, 7])
print(x)
print(x.ndim)
# 2d
x = np.array([[1, 2, 3, 4, 5],
[4, 5, 6, 7, 8]])
print(x)
print(x.ndim)
# 3d
x = np.array([[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]])
print(x)
print(x.ndim)

例如：

# 2d

x = np.array([[1, 2, 3, 4, 5],
[4, 5, 6, 7, 8]])
print(x)
print(x.shape)

資料型別可以是float32， unit8， float64

例如b維度：(3,3),c維度（3,1）

b*c維度（3，3）運用到了廣播機制（將c複製兩列然後逐元素相乘）

例：

import numpy as np

b = np.array([[1, 1, 1],
[2, 2, 2],
[3, 3, 3]])
c = np.array([[1],
[2],
[3]])
# 逐元素相乘
生成五個隨機高斯變數
表示e的z次方
np.insert(x, 0, values=1,axis=1)
axis = 0: 表示豎直
axis = 1：表示水平
0：表示插入的索引值
value：插入的值
最終在每一行第乙個位置插入1
axis = 1 （行）
np.argmax(a, axis=1)：
返回行最大值的索引
例如：
import numpy as np

1.可以用來**準確率：
可計算**值與實際值相等所佔比例
例如;
import numpy as np

y = np.array([1, 0, 0, 1, 1])
y1 = np.array([1, 0, 1, 0, 0])
acc = np.mean(y==y1)
print(acc)
可用於計算m個點分別到k個點距離

例：（1,1）（3,4）(5,12)分別到（0,0）（1，1）（2,2）距離
import numpy as np

li= np.array([[1, 1],
[3, 4],
[5, 12]])
centro = np.array([[0, 0],
[1, 1],
[2, 2]])
for i in range(len(li)):
distance = np.linalg.norm((li[i]-centro), axis=1)
print(distance)
可以將矩陣轉化為列表

例：
import numpy as np

numpy 張量拉平與恢復
numpy 中的高維陣列可以使用其自帶的flatten函式轉化成 1 維陣列。在優化問題的梯度下降求解過程中，把高維的梯度變成 1 維陣列是很重要的，方便求自適應步長。把張量拉平容易，怎麼把它復原到原來的維度呢？這自然想到把原本的張量維度儲存下來，下面介紹這個小技巧 from functools i...
機器學習之numpy入門
numpy建立陣列方式 coding utf 8import random import numpy as np array方式傳入資料 t1 np.array range 0 12 print t1 print t1.dtype print type t1 np.arange方式 t2 np.ar...
《Python之機器學習（NumPy）》
單行注釋 多行注釋 多行注釋 多行注釋 a.ndim 輸出陣列的維數 a.shape 輸出陣列的形式 幾行，幾列 copy 複製陣列 a 2 陣列中每個元素乘以2 1,2 2 陣列將變成4個 a 2 a的平方 1,2 2 unsuported operand type 陣列訪問。修建異常值。處理不存...