Numpy(第二章)

Array对象的基本操作

1.输出对象的size

print(e.size)#size输出的是单位元素的个数,即不可再分的元素

2.输出对象每维的元素个数

print(e.shape)#shape输出的是每个维度的个数

 注意区分size和shape:size是不可分元素的个数,shape为每维包裹的东西的个数 ,即shape里面的数相乘即为size

 

3.输出数组的维度

print(e.ndim)#输出维度

   关于2,3的n维度:每个维度即匹配的中括号包裹的就算1维,里面包的东西就是这个维度的大小,而每个数处在n个维度中(即n个括号中),最后一个括弧里面数的个数即为最后一个维度的大小

4.对数组进行转置

print(e.T)

 

### 邱锡鹏《神经网络与深度学习》第二章代码示例 邱锡鹏教授编写的《神经网络与深度学习》是一本全面介绍深度学习理论及其应用的书籍,其中不仅涵盖了基础知识,还包括丰富的实践案例和代码示例[^1]。对于第二章的内容,主要涉及的是线性模型的基础知识以及其实现方法。 #### 线性模型简介 在第二章中,重点讨论了线性模型的概念及其在实际中的应用。这些模型通常用于解决简单的分类或回归问题。书中通过具体的例子展示了如何利用Python库(如NumPy、Scikit-Learn等)来构建并训练线性模型[^5]。 以下是基于该章节内容的一个典型线性回归实现的例子: ```python import numpy as np from sklearn.linear_model import LinearRegression # 创建数据集 X = np.array([[1], [2], [3], [4], [5]]) y = np.array([2, 4, 6, 8, 10]) # 初始化线性回归模型 model = LinearClassification() model.fit(X, y) # 输出权重参数 print(f'Coefficients: {model.coef_}') print(f'Intercept: {model.intercept_}') # 进行预测 predictions = model.predict(np.array([[6]])) print(f'Prediction for input 6: {predictions}') ``` 上述代码片段展示了一个基本的线性回归过程,其中包括创建数据集、初始化模型、拟合数据以及最终做出预测这几个核心步骤[^3]。 如果希望获取更详细的源码或者进一步探索其他类型的线性模型变体,则可以通过访问GitHub仓库找到完整的配套资源链接[^4]。具体地址可以在官方发布的说明文档里查到,那里包含了每章对应的Jupyter Notebook文件以及其他辅助材料。 #### 如何查找更多相关内容? 为了方便读者深入理解各部分内容,作者团队还准备了一系列补充资料,比如教学幻灯片(PPT),它们能够帮助初学者更好地掌握知识点[^2]。同时,在复旦大学或其他公开平台上也可能存在针对特定主题的工作坊视频录像可供参考。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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