python的中的numpy入门

Python【入门】(1) —— Numpy库 入门级了解并使用Python的Numpy库 阅读详情

Python中的NumPy入门

在Python中,NumPy是一个强大的数值计算库。它提供了高性能的多维数组对象和各种计算函数,是进行科学计算和数据分析的重要工具。本文将介绍NumPy的基本概念以及如何使用它进行数组操作和数学运算。

1. 安装NumPy

要使用NumPy,首先需要在Python环境中安装它。可以使用pip包管理工具进行安装。打开终端或命令提示符,执行以下命令:

plaintextCopy codepip install numpy

2. 导入NumPy

在Python中,使用​​import​​语句导入NumPy库:

pythonCopy codeimport numpy as np

一般约定的做法是将NumPy库命名为​​np​​,以便在代码中使用时更加方便。

3. 创建NumPy数组

NumPy的核心对象是​​ndarray​​(N-dimensional array),即多维数组。可以使用​​array()​​函数创建一个ndarray对象。例如,创建一个一维数组:

pythonCopy codeimport numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)

输出结果为:

plaintextCopy code[1 2 3 4 5]

同样,可以创建二维、三维等多维数组。例如,创建一个二维数组:

pythonCopy codeimport numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)

输出结果为:

plaintextCopy code[[1 2 3]
 [4 5 6]]

4. 数组属性和操作

4.1 数组属性

ndarray对象有一些常用的属性,可以用来查询数组的特性,如形状、维度数、数据类型等。例如:

pythonCopy codeimport numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape)    # 输出数组形状(维度数)
print(arr.ndim)     # 输出数组的维度数
print(arr.dtype)    # 输出数组元素的数据类型

输出结果为:

plaintextCopy code(2, 3)
2
int64

4.2 数组操作

NumPy提供了许多函数和方法用于对数组进行操作,例如计算数组的和、平均值、最大值等。这些操作可以在整个数组上执行,也可以在特定的轴上执行。例如:

pythonCopy codeimport numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.sum())         # 计算数组所有元素的和
print(arr.mean())        # 计算数组所有元素的平均值
print(arr.max(axis=0))   # 沿着轴0(列)计算数组每列的最大值

输出结果为:

plaintextCopy code21
3.5
[4 5 6]

5. 数组索引和切片

NumPy允许使用索引和切片来访问数组元素,与Python的列表类似。例如:

pythonCopy codeimport numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr[0])         # 索引第一个元素
print(arr[1:4])       # 切片取出第二个到第四个元素

输出结果为:

plaintextCopy code1
[2 3 4]

对于多维数组,可以使用逗号分隔的索引和切片来访问特定的元素或子数组。例如:

pythonCopy codeimport numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 1])           # 访问第一行第二列的元素
print(arr[:, 1:3])         # 取出所有行的第二和第三列

输出结果为:

plaintextCopy code2
[[2 3]
 [5 6]]

6. 数组形状变换

在NumPy中,可以使用​​reshape()​​函数来改变数组的形状。例如:

pythonCopy codeimport numpy as np
arr = np.array([1, 2, 3, 4, 5])
reshaped_arr = arr.reshape((5, 1))      # 将一维数组转换为列向量
print(reshaped_arr)

输出结果为:

plaintextCopy code[[1]
 [2]
 [3]
 [4]
 [5]]

7. 示例代码:计算学生成绩平均值

假设有一批学生成绩数据,每个学生有多门科目的成绩。现在我们想要计算每个学生的平均成绩以及每门科目的平均成绩。可以使用NumPy来进行数据计算和操作。 首先,我们创建一个包含学生成绩的二维数组。每一行表示一个学生的成绩,每一列表示一门科目的成绩。示例代码如下:

pythonCopy codeimport numpy as np
# 创建学生成绩数组
scores = np.array([[80, 90, 85],
                   [70, 85, 90],
                   [75, 80, 85],
                   [85, 90, 80]])
print("学生成绩数组:")
print(scores)

输出结果为:

plaintextCopy code学生成绩数组:
[[80 90 85]
 [70 85 90]
 [75 80 85]
 [85 90 80]]

然后,我们可以使用NumPy的函数和方法进行计算。例如,使用​​mean()​​函数计算每个学生的平均成绩和每门科目的平均成绩。示例代码如下:

pythonCopy code# 计算每个学生的平均成绩
student_avg = np.mean(scores, axis=1)
print("\n每个学生的平均成绩:")
print(student_avg)
# 计算每门科目的平均成绩
subject_avg = np.mean(scores, axis=0)
print("\n每门科目的平均成绩:")
print(subject_avg)

输出结果为:

plaintextCopy code每个学生的平均成绩:
[85.         81.66666667 80.        85.        ]
每门科目的平均成绩:
[77.5 86.25 85.  ]

通过以上代码,我们成功计算了每个学生的平均成绩和每门科目的平均成绩,实现了对学生成绩数据的统计分析。这个例子展示了NumPy在实际应用场景中的灵活性和高效性。 希望这个示例代码可以帮助您更好地理解NumPy的使用方法和实际应用。

NumPy的缺点

  1. 大量内存占用:NumPy数组在内存中是连续存储的,这意味着数组的大小必须在创建之前就确定。当处理大规模数据集时,NumPy数组可能会占用相当大的内存空间。
  2. 不支持动态数据的添加和删除:NumPy的数组大小是固定的,一旦创建,就无法动态地添加或删除元素。这使得数据的操作相对局限,有时需要重新创建数组并复制数据。
  3. 不支持高级数据操作和复杂计算:尽管NumPy提供了基本的数组操作和线性代数函数,但在处理更复杂的数据操作和计算时,NumPy的功能相对有限。
  4. 学习曲线较陡峭:使用NumPy需要一定的数学和计算机基础知识,理解和掌握NumPy的用法和函数可能需要一定的学习成本和时间。

类似的库或工具

  1. Pandas:Pandas是基于NumPy构建的数据处理库,提供了更高级的数据结构和功能,如数据表(DataFrame)和数据索引。它可以方便地进行数据清洗、转换、分组、筛选等操作,适用于处理结构化数据。

  2. TensorFlow:TensorFlow是一个强大的开源机器学习框架,用于构建和训练深度学习模型。虽然它也使用到了NumPy数组作为底层数据结构,但它提供了更高级的功能和算法,如神经网络层、优化器等,适用于实现复杂的机器学习任务。

  3. SciPy:SciPy是一个专注于科学计算的Python库,它提供了丰富的高级数学、科学和工程计算功能,例如插值、优化、图像处理等。虽然它也依赖于NumPy,但它提供了更多领域特定的算法和函数。

  4. Dask:Dask是一个用于处理大规模数据的灵活并行计算库,它可以扩展NumPy和Pandas的功能,以便处理超出单个计算机内存限制的数据集。

  5. Spark:Apache Spark是一个用于大规模数据处理和分析的强大开源工具,它提供了分布式计算功能,并支持大规模数据集的处理和分析。Spark中也包含可以与NumPy进行交互的功能。

---------------------------END---------------------------

题外话

当下这个大数据时代不掌握一门编程语言怎么跟的上时代呢?当下最火的编程语言Python前景一片光明!如果你也想跟上时代提升自己那么请看一下.

在这里插入图片描述

感兴趣的小伙伴,赠送全套Python学习资料,包含面试题、简历资料等具体看下方。


👉优快云大礼包🎁:全网最全《Python学习资料》免费赠送🆓!(安全链接,放心点击)

一、Python所有方向的学习路线

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照下面的知识点去找对应的学习资源,保证自己学得较为全面。

img
img

二、Python必备开发工具

工具都帮大家整理好了,安装就可直接上手!img

三、最新Python学习笔记

当我学到一定基础,有自己的理解能力的时候,会去阅读一些前辈整理的书籍或者手写的笔记资料,这些笔记详细记载了他们对一些技术点的理解,这些理解是比较独到,可以学到不一样的思路。

img

四、Python视频合集

观看全面零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

img

五、实战案例

纸上得来终觉浅,要学会跟着视频一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

img

六、面试宝典

在这里插入图片描述

在这里插入图片描述

简历模板在这里插入图片描述

👉优快云大礼包🎁:全网最全《Python学习资料》免费赠送🆓!(安全链接,放心点击)

若有侵权,请联系删除

NumPy包(上) python笔记扩展 NumPy 的全称是“ Numeric Python”,它是 Python 的第三方扩展包,主要用来计算、处理一维或多维数组在数组算术计算方面, NumPy 提供了大量的数学函数NumPy 的底层主要用 C语言编写,因此它能够高速地执行数值计算NumPy 还提供了多种数据结构,这些数据结构能够非常契合的应用在数组和矩阵的运算上。 阅读详情

相关推荐

python的numpy库使用详解

本章介绍python是数组库——numpy的使用。全文14000多字详解,几乎涵盖每个知识点。

m0_71559726的博客 7020

Numpy库

数据CSV文件存取(一维/二维) CSV (Comma‐Separated Value, 逗号分隔值),是一种常见的文件格式,用来存储批量数据 存 %d:整数;%1f:一位小数的浮点数类型; 取 CSV文件的局限性: 只能有效存储一维和二维数组,np.savetxt()和np.loadtxt()只能有效存储一维和二维数组。 多维数据的存取 二进制空间 ...

qq_46458188的博客 1万+

python+opencv+numpy入门

(一)简介 python是一门编程语言,由于其可以调用很多科学计算包,如numpy、scipy、matplotlib等而功能强大; numpy是python可调用的科学计算包,主要用于矩阵运算;它是python的数值计算扩展,这种工具可用来存储和处理大型矩阵; opencv是一个跨平台计算机视觉库,可以通过接口在python中使用opencv的图形库。 综上,基于python的开发环境,借

shenjiangrong的专栏 5513

NumPy库的介绍与使用(一)

一、NumPy库简介 NumPy(Numerical Python)是 Python 语言的一个扩展程序库。其中提供了许多向量和矩阵操作,能让用户轻松完成最优化、线性代数、积分、插值、特殊函数、傅里叶变换、信号处理和图像处理、常微分方程求解以及其他科学与工程中常用的计算,不仅方便易用而且效率更高。 NumPy 是一个开源的Python科学计算基础库,是SciPy、Pandas等数据处理或科学计算库的基础。包含: 拥有一个类似于列表的、强大的N维数组对象ndarray,它描述了相同类型的元素的集合。并且它还

qq_37289115的博客 3万+

【Python语言基础】——Python NumPy 入门

如果此命令失败,请使用已经安装了 NumPy 的 python 发行版,例如 Anaconda、Spyder 等。如果您已经在系统上安装了 Python 和 PIP,那么安装 NumPy 非常容易。别名:在 Python 中,别名是用于引用同一事物的替代名称。现在,可以将 NumPy 包称为 np 而不是 numpy。现在,Numpy 已导入并可以使用。NumPy 通常以 np 别名导入。检查 NumPy 版本。

玄链教育 570

32、Python与NumPy入门指南

本文是一篇Python与NumPy的入门指南,涵盖Python包的管理、程序执行方式、NumPy数组的创建与操作、线性代数基础及其在机器学习中的应用。内容适合初学者了解Python和NumPy的核心功能,并为实际应用打下基础。通过示例代码和流程图,帮助读者快速掌握数值计算和数据处理的关键技能。

y7z8a的博客 68

Python快速入门Numpy库

本期文章重点讲解Python中的Numpy库,主要涉及Numpy库的基础操作,带你快速入门Numpy库。

one_bad_day的博客 1857

分享一些基于微信小程序开发的小游戏源码

小游戏小程序是运行在微信生态系统(或其他支持小程序的平台)中的轻量级应用程序,专为休闲游戏体验而设计的小程序子类别,小游戏小程序通常体积较小,加载速度快,用户无需等待长时间即可开始游戏。用户无需下载或安装单独的游戏应用程序,即可通过小程序入口直接进入游戏,同时小游戏小程序通常包含排行榜、分享功能等社交元素,可以增强游戏体验并促进用户参与。game.js:游戏页面的逻辑文件,包含页面数据、生命周期函数、事件处理函数等。game.wxml:游戏页面的结构文件,定义了页面的布局和组件。

xinshangdian的博客 6242

python的numpy教程_Python入门教程:Numpy的使用

原标题:Python入门教程:Numpy的使用Python入门之Numpy的使用Python是一种面向对象的解释型计算机程序设计语言,在软件质量控制、提升开发效率、可移植性、组件集成、丰富库支持等各个方面均处于先进地位。不过Python开发入门中Numpy是如何使用的呢?今天为大家简单的介绍一下。Python入门之Numpy是什么?Numpy是一个开源的Python科学计算库,它是Python科学...

weixin_39779004的博客 120

卡尔曼滤波与目标追踪

卡尔曼滤波与目标追踪为什么要学卡尔曼滤波?卡尔曼滤波是什么?一些概率论的知识基础卡尔曼滤波完整推导状态估计计算卡尔曼增益预测和更新 卡尔曼滤波部分我打算分三节(三次博客的内容): 卡尔曼滤波与行人状态估计 扩展卡尔曼滤波(EKF)与传感器融合 过程模型,无损卡尔曼滤波(UKF)与车辆状态轨迹 为什么要学卡尔曼滤波? 卡尔曼滤波以及其扩展算法能够应用于目标状态估计,如果这个目标是行人,那么就是行人状态估计(或者说行人追踪),如果这个目标是自身,那么就是车辆自身的追踪(结合一些地图的先验,GPS等数据的话就

qq_43232556的博客 4176

告别玄学:用Multisim或LTspice仿真带你直观理解PFC的三种工作模式(CCM/DCM/CrM)

本文通过Multisim和LTspice仿真工具,详细解析了PFC(功率因数校正)的三种工作模式(CCM、DCM、CrM)的本质差异。从波形捕捉到参数优化,提供了实用的仿真技巧和工程实践策略,帮助工程师直观理解并优化PFC电路设计,提升THD和功率因数。

weixin_30363285的博客 398

[入门教程](python numpy入门)

[入门教程](python numpy入门) NumPy NumPy是一个开源的Python科学计算基础库,包含 •一个强大的N维数组对象ndarray •广播功能函数 •整合C/C++/Fortran代码的工具 •线性代数、傅里叶变换、随机数生成等功能 NumPy是SciPy、Pandas等数据处理或科学计算库的基础 NumPy的引用 import numpy as np 建议使用np作为引用...

A1066223647的博客 464

从零实战:基于华中8型数控系统的CNC数据采集与二次开发

本文详细介绍了基于华中8型数控系统的CNC数据采集与二次开发实战指南。从开发环境准备到核心数据采集实现,涵盖Windows平台配置、实时数据采集、报警处理等关键技术,帮助开发者快速掌握华中数控系统的数据采集能力,提升智能制造水平。

weixin_42561143的博客 819

NumPy 快速入门——《Python数学函数库NumPy》

NumPy是一个功能强大的数值计算库,为Python提供了高效的多维数组对象和大量的数学运算函数。通过本文的快速入门指南,您已经了解了NumPy的基础知识、形状操作、广播规则、索引技巧以及线性代数、统计、随机数生成等高级功能。随着您在实际项目中的不断实践,您将能够更深入地掌握NumPy,并利用它提升数值计算和数据分析的效率。

Python老吕的博客 1301

QT+QGIS跨平台编译(基于Qt,采用一套代码、一套框架,完成QGIS第三方库、核心库、应用程序的跨平台编译)

QT+QGIS跨平台编译。 基于Qt,采用一套代码、一套框架,完成QGIS第三方库、核心库、应用程序的跨平台编译。

LuckyHanMo的博客 4382

SAP-ABAP:SAP MM采购订单增强核心BAdI:IF_EX_ME_PROCESS_PO_CUST 深度解析与最佳实践指南

SAP MM采购订单增强核心BAdI:IF_EX_ME_PROCESS_PO_CUST 关键摘要 核心要点 技术定位:SAP MM模块采购订单处理的核心增强框架,属于第二代BAdI技术,支持多实例并行实现 架构特点: 覆盖采购订单全生命周期(创建/修改/显示) 嵌入ME21N/ME22N/ME23N的标准处理流程 提供字段级、抬头、行项目、账户分配等多层次增强点 关键方法: INITIALIZE:事务初始化时预加载数据 PROCESS_HEADER:处理抬头数据变更 PROCESS_ITEM:处理行项目字段

baidu_35680696的博客 813

Python NumPy学习指南:从入门到精通

在这篇教程中,我们从零开始,一步步深入学习了NumPy的核心功能。从最基础的数组操作,到矩阵运算、信号和图像处理,再到一些机器学习的应用,内容全面且实用。我希望通过这些详细的讲解和代码示例,你能够掌握NumPy,并能在实际项目中应用它。NumPy是数据处理和科学计算的一个重要工具,无论你是在处理大规模数据,还是在进行复杂的数学运算,NumPy都能提供强大的支持。希望这篇教程能帮你打下坚实的基础,让你在以后的项目中更自信地使用NumPy。

milkteacreamer的博客 3243

DAB协议解读ETSI TS 103 461

数字信号广播( Digital Audio Broadcasting 简称DAB)是继AM、FM传统模拟广播之后的第三代广播--数字信号广播,它提供了接近CD质量的声音,广播及商机无限的附加数据服务,具有抗噪声、抗干扰、抗电波传播衰落、适合高速移动接收等优点,保证固定、携带及移动时接收信号的质量。DAB的原始版本使用MP2音频编解码器。该系统的升级版本于2007年2月发布,称为DAB+,它使用基于改进的离散余弦变换(MDCT)的HE-AACv2(AAC+)音频编解码器。

qflook的博客 4484

educoder python入门和Numpy函数库基础

第1关:Numpy函数库实践 ########## from numpy import * arr = random.rand(4,4) print(arr) randmat = mat(arr) invrandmat = randmat.I print(invrandmat) result = randmat*invrandmat print(result) ##########

木右加木 就是木木 840

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Python数据分析-Numpy快速入门

Python数据分析-Numpy快速入门

showy0的博客 1063

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

python给矩阵元素赋值_[Python]—NumPy 入门教程

这里是一则小广告:关注作者请点击这里哦:zdr0我的专栏里面不仅有学习笔记,也有一些科普文章,相信我的专栏不会让您失望哦~大家可以关注一下:数学及自然科学记得点赞加收藏哦~创作不易,请赞赏一下支持一下作者吧[期待]~-尽力写最好的讲义,尽力写最好的科普。-由于本人是自学Python,所以文中如果有错误或表述不当的地方还望给位大佬不吝指出,感谢! 是 中的用于数值计算的一个包,在这篇文章中我将来介...

weixin_39657125的博客 6368

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

numpy 索引多个_Python笔记:NumPy入门(一)

NumPy入门(一)Numpy提供了高效存储和操作密集数据缓存的接口,是整个Python数据科学工具生态系统的核心。在某些方面,NumPy数组和python内置列表类型非常相似,但是随着数组在维度上变大,NumPy数组提供了更加高效的存储和数据操作。1,导入习惯上会以np为别名导入Numpy包import numpy as np2,从python列表创建数组python提供了几种数据存在...

weixin_39991935的博客 218

python中的numpy入门教程_Python中的Numpy入门教程

Python中的Numpy入门教程发布于 2014-10-19 20:54:49 | 275 次阅读 | 评论: 0 | 来源: 网友投递Python编程语言Python 是一种面向对象、解释型计算机程序设计语言,由Guido van Rossum于1989年底发明,第一个公开发行版发行于1991年。Python语法简洁而清晰,具有丰富和强大的类库。它常被昵称为胶水语言,它能够把用其他语言制作的各...

weixin_27653327的博客 219

[Python]NumPy入门

一、简单介绍 NumPy是Python的一个矩阵类型,提供了大量矩阵处理的函数。它是一个使运算更容易,执行更迅速的库,因为它的内部运算是通过C语言而不是Python实现的。尽管声称是一个关于矩阵的库,但是NumPy实际上包含了两种基本的数据类型:数组和矩阵。两者在处理上稍有不同。在使用标准的Python时,处理这两种数据类型均需要使用循环语句,但是在NumPy时可以省去这些语句。 二、NumP...

TOMACAT的博客 2万+

《python+opencv3.3视频教学 基础入门》Numpy数组操作 笔记

源码: import cv2 as cv import numpy as np # 每个像素的访问 def access_pixels(image): print(image.shape) height = image.shape[0] width = image.shape[1] channels = image.shape[2] print("width : {}, height : {}, channels : {}".format(width, heigh

rrrrrr89098087的博客 180
上一篇: R 和 Python究竟该怎么选?
下一篇: 如何用python制作井字棋
Python_P叔
博客等级 码龄3年 5454粉丝 827原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值