AI算法（一） Numpy基础

目录

1、前言

2、Numpy操作

        2.1、创建一个三行四列的矩阵

        2.2 查看矩阵大小

        2.3 元素操作

                2.3.1  矩阵加法

                2.3.2 矩阵减法

                2.3.3 矩阵乘法

                2.3.4 哈达玛积

                2.3.4 指数运算

        2.4 广播机制

3、写在最后

---

1、前言

        机器学习中数据的处理往往影响着一个demo的好坏。例如图片、音频或者文本数据传入到神经网络中会被转化为Tensor类型，Tensor其实就是高维数组。Python中的Numpy包提供了一种便携处理矩阵数据的办法。

2、Numpy操作

        2.1、创建一个三行四列的矩阵

import numpy as np
print(np.zeros((3, 4)))

         np中的zeros方法可以把每个元素初始化为0

        同样，我们也可以把每个元素初始化为1

import numpy as np
print(np.ones((3, 4)))

        当然，也可以指定元素，这里指定一个2*2的矩阵，第一行元素为1 2 第二行元素为3 4

import numpy as np
print(np.array([[1, 2], [3, 4]]))

 有些情况会用到随机数组，同样类似于上述方法，这里通过random.random方法创建了一个0~1分布的2*2矩阵

import numpy as np
print(np.random.random((2, 2)))

        2.2 查看矩阵大小

        通过shape方法可以查看矩阵的大小

        比如这里通过随机数创建了一个2*2矩阵，经过array.shape操作处理后就是（2，2）;

        array.size是查看矩阵的个数，这里经过array.size处理后返回 4 即矩阵有4个元素

import numpy as np
array = np.random.random((2, 2))
print(array.shape)
print(array.size)

        2.3 元素操作

                2.3.1  矩阵加法

                        对应元素相加

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 2], [3, 4]])
print(a+b)

                2.3.2 矩阵减法

                        对应元素相减

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 2], [3, 4]])
print(a-b)

                2.3.3 矩阵乘法

                         矩阵乘法不同于以上加减法，矩阵乘法通过np.dot来计算

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 2], [3, 4]])
print(np.dot(a,b))

                2.3.4 哈达玛积

                        哈达玛积是对应位置元素相乘

import numpy as np
a = np.array([[1, 2], [3, 4]])
b = np.array([[1, 2], [3, 4]])
print(a*b)

                2.3.4 指数运算

                        对矩阵中的每个元素做指数运算 调用exp方法

import numpy as np
a = np.array([[1, 2], [3, 4]])
print(np.exp(a))

        2.4 广播机制

                有时进行操作的矩阵可能维度不一致，比如a矩阵为3*1，b矩阵为1*2

此时Python会将b矩阵复制三次，变成一个3*2的矩阵再进行元素操作

import numpy as np
a = np.array([[1], [1], [1]])
b = np.array([[1, 2]])
print(a+b)

3、写在最后

        Numpy操作在机器学习深度学习中很重要，一部分Tensor操作其实跟Numpy操作非常类似。机器所能识别的虽然是数字，但这些数字在机器的思想里可以代表我们现实中的一些物体。最后，有不懂的地方欢迎私信留言哦