np.random.permutation()解析

最新推荐文章于 2023-09-26 21:03:13 发布
转载 最新推荐文章于 2023-09-26 21:03:13 发布 · 205 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/weixin_44188264/article/details/93752505
文章标签：

#python

本文详细介绍了np.random.permutation函数的使用方法，并通过实例演示了如何对一维和多维数组进行随机排序。特别地，文章解释了在多维数组中，该函数仅对第一维度进行操作的特点。

np.random.permutation()：随机排列序列。

例1：对0-5之间的序列进行随机排序

在这里插入图片描述

例2：对一个list进行随机排序

在这里插入图片描述

多维度的咋回事？

在这里插入图片描述

a矩阵输出为：

在这里插入图片描述

现在看c矩阵，我运行了两次：
第一次运行结果：

在这里插入图片描述

然后，我又运行了一次：

在这里插入图片描述

通过这个例子可以看出，对于一个多维的输入，只是在第一维上进行了随机排序。
对这个这个3×3矩阵来说，只是对行进行随机排序。

numpy中的np.random.permutation函数详解及使用示例
CodeHeroicX的博客
09-23 635
本文介绍了函数的用法和示例。该函数可以用于对一维或多维数组进行随机排列，返回一个打乱顺序后的数组副本。它是处理随机化和洗牌数据的有用工具之一，在数据科学和机器学习领域经常被使用。通过合理地使用函数，我们可以轻松地生成随机排列的数组，以满足不同的应用需求。
数据处理工具4——np.random.permutation进行文件序列打乱
xiaotiig的博客
01-05 1281
1 训练集和验证集 def get_voc_datagen(train_img_path,train_label_path,val_img_path=None,val_label_path=None,num_class, batch_size, target_size): """ 进行文件的读取和预处理 :param train_img_path:训练集影像文件夹 :param train_label_path: :param val_img_path:如果验证集为N
np.random.permutation()详解
weixin_43087913的博客
11-05 928
np.random.permutation()：随机排列序列。 例1：对0-5之间的序列进行随机排序 例2：对一个list进行随机排序 多维度的咋回事？ 来看一个例子： a矩阵输出为： 在这里插入图片描述 现在看c矩阵，我运行了两次： 第一次运行结果： 然后，我又运行了一次： 在这里插入图片描述 通过这个例子可以看出，对于一个多维的输入，只是在第一维上进行了随机排序。 对这个这个3×3矩阵来说，只是对行进行随机排序 ...
np.random.permutation()
zhhy236400的博客
07-03 756
打乱数组的顺序 import numpy as np a=np.arange(5,10) b=np.random.permutation(5) print(a) print(b) print(a[b]) 输出： [5 6 7 8 9] [2 1 3 4 0] [7 6 8 9 5]
np.random.permutation
weixin_42608318的博客
01-06 475
np.random.permutation 是 numpy 中的一个函数，它可以将一个数组中的元素随机打乱，返回一个打乱后的新数组。 使用方法如下： import numpy asnp # 对一个列表进行打乱 arr = [1, 2, 3, 4, 5] np.random.permutation(arr) # 对一个 numpy 数组进行打乱 arr = np.array([1, 2, 3, ...
np.random.permutation函数
qq_45288176的博客
06-04 1万+
np.random.permutation函数的作用就是按照给定列表生成一个打乱后的随机列表
permutation = list(np.random.permutation(m))
最新发布
11-16
我们首先分析用户的问题：用户想要了解代码 `permutation = list(np.random.permutation(m))` 的功能、使用场景以及可能出现的错误和解决办法。 根据引用[2]中提供的信息，`np.random.permutation()`函数用于生成一...
详细分析以下代码： def simple_holdout(X, y, test_size=0.3, random_state=None): if random_state is not None: np.random.seed(random_state) n_samples = len(X) n_test = int(n_samples * test_size) # 随机打乱索引 indices = np.random.permutation(n_samples) test_indices = indices[:n_test] train_indices = indices[n_test:] X_train, X_test = X[train_indices], X[test_indices] y_train, y_test = y[train_indices], y[test_indices] return X_train, X_test, y_train, y_test
11-03
- 如果提供了`random_state`（非None），则使用`np.random.seed()`设置随机数生成器的种子，以确保每次运行代码时划分结果相同。 ### 3. 获取样本数量 ```python n_samples = X.shape[0] ``` - 通过`X.shape[0]`...
anal_sample_no = min([1000, len(ori_data)]) idx = np.random.permutation(len(ori_data))[:anal_sample_no] # Data preprocessing ori_data = np.asarray(ori_data) generated_data = np.asarray(generated_data) ori_data = ori_data[idx] generated_data = generated_data[idx] no, seq_len, dim = ori_data.shape for i in range(anal_sample_no): if i == 0: prep_data = np.reshape(np.mean(ori_data[0, :, :], 1), [1, seq_len]) prep_data_hat = np.reshape(np.mean(generated_data[0, :, :], 1), [1, seq_len]) else: prep_data = np.concatenate( (prep_data, np.reshape(np.mean(ori_data[i, :, :], 1), [1, seq_len])) ) prep_data_hat = np.concatenate( (prep_data_hat, np.reshape(np.mean(generated_data[i, :, :], 1), [1, seq_len])) ) # Visualization parameter colors = ["red" for i in range(anal_sample_no)] + ["blue" for i in range(anal_sample_no)]
04-03
idx = np.random.permutation(len(ori_data))[:anal_sample_no] ``` - `anal_sample_no` 表示从原始数据中随机选择的最大样本数，取值为较小者：1000 或 原始数据长度。 - 使用 `np.random.permutation` 随机打乱...
np.random.choice(input_data,size=k,replace=False ) 这个的返回值是什么？
03-18
返回数组$a$的**完全随机排列**，等价于`np.random.permutation(a)`[^1] 3. **当$k > len(a)$时** 会抛出`ValueError`，因为无放回抽样无法满足样本量要求 --- ### 参数特性说明 - **概率参数$p$的影响**：即使...
import numpy as np from sklearn.datasets import fetch_openml # 用于加载MNIST数据集 from sklearn.model_selection import train_test_split # ReLU 激活函数 def relu(x): return np.maximum(0, x) # ReLU 函数的导数 def relu_derivative(x): return (x > 0).astype(int) # 加载 MNIST 数据集（使用scikit-learn的fetch_openml） def load_mnist(): # 从openml加载MNIST数据集（784个特征对应28x28像素，目标是数字0-9） X, y = fetch_openml('mnist_784', version=1, return_X_y=True, as_frame=False) # 转换标签为整数类型 y = y.astype(int) # 分割为训练集和测试集（MNIST标准分割：60000训练，10000测试） X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=10000, train_size=60000, random_state=42, stratify=y ) # 归一化像素值到[0, 1] X_train = X_train / 255.0 X_test = X_test / 255.0 return X_train, y_train, X_test, y_test # 加载数据 train_images, train_labels, test_images, test_labels = load_mnist() # 神经网络参数 input_size = 784 hidden_size1 = 128 hidden_size2 = 64 output_size = 10 learning_rate = 0.01 batch_size = 32 # 小批量大小 num_epochs = 10 # 训练轮次 # 权重初始化（使用Xavier初始化，更适合ReLU） W1 = np.random.randn(input_size, hidden_size1) * np.sqrt(2.0 / input_size) b1 = np.zeros((1, hidden_size1)) W2 = np.random.randn(hidden_size1, hidden_size2) * np.sqrt(2.0 / hidden_size1) b2 = np.zeros((1, hidden_size2)) W3 = np.random.randn(hidden_size2, output_size) * np.sqrt(2.0 / hidden_size2) b3 = np.zeros((1, output_size)) num_batches = len(train_images) // batch_size for epoch in range(num_epochs): # 每轮训练前打乱数据顺序 permutation = np.random.permutation(len(train_images)) train_images_shuffled = train_images[permutation] train_labels_shuffled = train_labels[permutation] # 小批量训练 for batch in range(num_batches): start = batch * batch_size end = start + batch_size batch_X = train_images_shuffled[start:end] batch_y = train_labels_shuffled[start:end] # 前向传播 z1 = np.dot(batch_X, W1) + b1 a1 = relu(z1) z2 = np.dot(a1, W2) + b2 a2 = relu(z2) z3 = np.dot(a2, W3) + b3 # 输出层logits # 计算softmax和损失梯度 exp_z3 = np.exp(z3 - np.max(z3, axis=1, keepdims=True)) # 数值稳定的softmax softmax = exp_z3 / np.sum(exp_z3, axis=1, keepdims=True) delta3 = softmax delta3[range(batch_size), batch_y] -= 1 # 交叉熵梯度 # 反向传播 delta2 = np.dot(delta3, W3.T) * relu_derivative(z2) # 使用z2计算ReLU导数更准确 delta1 = np.dot(delta2, W2.T) * relu_derivative(z1) # 更新权重（批量梯度下降） W3 -= learning_rate * np.dot(a2.T, delta3) / batch_size b3 -= learning_rate * np.sum(delta3, axis=0, keepdims=True) / batch_size W2 -= learning_rate * np.dot(a1.T, delta2) / batch_size b2 -= learning_rate * np.sum(delta2, axis=0, keepdims=True) / batch_size W1 -= learning_rate * np.dot(batch_X.T, delta1) / batch_size b1 -= learning_rate * np.sum(delta1, axis=0, keepdims=True) / batch_size # 测试集评估 correct = 0 # 分批处理测试集，减少内存占用 test_batch_size = 1000 for i in range(0, len(test_images), test_batch_size): batch_X = test_images[i:i + test_batch_size] batch_y = test_labels[i:i + test_batch_size] a1 = relu(np.dot(batch_X, W1) + b1) a2 = relu(np.dot(a1, W2) + b2) z3 = np.dot(a2, W3) + b3 predictions = np.argmax(z3, axis=1) correct += np.sum(predictions == batch_y) accuracy = correct / len(test_images) print(f'Epoch {epoch + 1}/{num_epochs}, Test Accuracy: {accuracy:.4f}')
10-09
X, y, test_size=0.2, random_state=42 ) # 2. 构建三层全连接神经网络 model = Sequential([ Dense(512, activation='relu', input_shape=(784,)), # 输入层+隐藏层1 Dense(256, activation='relu'), # 隐藏层2...
【numpy】np.random.permutation()
weixin_44412076的博客
01-02 765
【numpy】np.random.permutation() Randomly permute a sequence, or return a permuted range. 即随机排列序列，或返回随机范围。 例1：对0-5之间的序列进行随机排序 import numpy as np b = np.random.permutation(5) print(b) [3 2 0 4 1] 例2：对一个list进行随机排序 import numpy as np a = np.random.permu
np.random.permutation（）函数《numpy学习篇》
猛男的博客
10-20 2077
引言：numpy函数库作为数据处理的强大运算处理工具，里面包含了丰富的处理函数，但是不懂的函数甚多！！！ 1.np.random.permutation（） 总体来说他是一个随机排列函数，就是将输入的数据进行随机排列，官方文档指出，此函数只能针对一维数据随机排列，对于多维数据只能对第一维度的数据进行随机排列。 如果还是不太懂的话，就举个例子吧！ 1》随机产生6个随机数，然后使用此函数进行随机排列，然后输出结果。 代码： data=np.random.rand(6) pri...
Python中NumPy库提供的函数——np.random.permutation的基本用法
XDXDXDXDX111的博客
09-26 2620
是 NumPy 库中的一个函数，用于返回一个随机排列（重置）给定的副本的副本。与不同的情况，不会修改原始副本，而是返回一个新的副本，其中包含原始副本元素的随机排列。其中，x是要随机排列的数组或整数。如果x是一个整数n，则函数将返回一个包含范围[0, n)内整数的随机排列。可以用于数据的随机化，生成随机的索引顺序，也可以用于生成经常随机的样本或数据排列。这在数据处理和深度学习中有用。
np.random.permutation函数的使用
new1998的博客
12-05 2096
处理后的结果： np.random.permutation函数的作用就是按照给定列表生成一个打乱后的随机列表 在处理数据集时，通常可以使用该函数进行打乱数据集内部顺序，并按照同样的顺序进行标签序列的打乱。 ...
np.random.permutation()函数的使用
热门推荐
zhlw_199008的博客
06-04 2万+
Permutation：（一组事物可能的一种） 序列，排列，排列中的任一组数字或文字; 这个函数的使用来随机排列一个数组的，第一个例子如图1所示：图 1对多维数组来说，是多维随机打乱而不是1维，例如：第一次运行结果（代码在左侧），如图2所示：图 2第二次运行结果（代码在左侧），如图3所示：图 3如果要利用次函数对输入数据X、Y进行随机排序，且要求随机排序后的X Y中的值保持原来的对应关系，可以这样...
Numpy基础-np.random.shuffle()、np.random.permutation()
艽野尘梦的博客
07-09 1240
Numpy基础-np.random.shuffle()、np.random.permutation()随机排列数组
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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