Numpy模块

在深度学习的过程中经常会涉及到矩阵和数组的计算，用numpy会便捷很多，这里就简单介绍一些在深度学习中会用到的一些。(建议看一下莫烦python的教学视频)

1、导入numpy

>>> import numpy as np

Python 中使用 import语句来导入库。这里的 import numpy as np，直译的话就是“将 numpy作为 np导入”的意思。通过写成这样的形式，之后相关的方法均可以用np来调用。

2、生成Numpy数组

要生成NumPy数组，需要使用np.array()方法。 np.array()接收Python列表作为参数，生成NumPy数组（ numpy.ndarray）。

>>> x = np.array([2.0, 4.0, 6.0])
>>> print(x)
[ 2. 4. 6.]
>>> type(x)
<class 'numpy.ndarray'>

3、Numpy算术运算

>>> x = np.array([1.0, 2.0, 3.0])
>>> y = np.array([2.0, 4.0, 6.0])
>>> x + y # 对应元素的加法
array([ 3., 6., 9.])
>>> x - y
array([ -1., -2., -3.])
>>> x * y # element-wise product
array([ 2., 8., 18.])
>>> x / y
array([ 0.5, 0.5, 0.5])

注意：数组x和数组y的个数必须是相同的(比如都是一维数组元素是3个)，如果不相同就会报错

4、Numpy的N维数组

numpy数组(np.array)可以生成N维数组，数学中一维数组称为向量，二维数组称为矩阵，三维及以上称为“张量”。

>>> A = np.array([[1, 2], [3, 4]])
>>> print(A)
[[1 2]
[3 4]]

矩阵的算术运算

>>> B = np.array([[3, 0],[0, 6]])
>>> A + B
array([[ 4, 2],
[ 3, 10]])
>>> A * B
array([[ 3, 0],
[ 0, 24]])

5、广播

Numpy中，形状不同的数组之间也可以进行运算，这个功能称为广播。这个功能在深度学习中会经常出现。

>>> A = np.array([[1, 2], [3, 4]])
>>> A * 10
array([[ 10, 20],
[ 30, 40]])

这个例子中就是将标量10扩展成和矩阵相同的形状进行运算。 

>>> A = np.array([[1, 2], [3, 4]])
>>> B = np.array([10, 20])
>>> A * B
array([[ 10, 40],
[ 30, 80]])

这个例子中一维数组B变成了和二维数组相同的形状，然后再以对应元素的方式进行计算。

综上，基于Numpy的广播功能，不同形状的数组之间也可以进行运算。

6、访问元素

元素的索引从0开始。对各个元素的访问可按如下方式进行。

>>> X = np.array([[51, 55], [14, 19], [0, 4]])
>>> print(X)
[[51 55]
[14 19]
[ 0 4]]
>>> X[0] # 第0行
array([51, 55])
>>> X[0][1] # (0,1)的元素
55

也可以使用 for语句访问各个元素。

>>> for row in X:
... print(row)
...
[51 55]
[14 19]
[0 4]

除了前面介绍的索引操作， NumPy还可以使用数组访问各个元素。

>>> X = X.flatten() # 将X转换为一维数组
>>> print(X)
[51 55 14 19 0 4]
>>> X[np.array([0, 2, 4])] # 获取索引为0、 2、 4的元素
array([51, 14, 0])

运用这个标记法，可以获取满足一定条件的元素。例如，要从 X中抽出大于15的元素，可以写成如下形式。

>>> X > 15
array([ True, True, False, True, False, False], dtype=bool)#得到布尔型数组
>>> X[X>15]#括号中表示索引的条件，取出满足条件的数
array([51, 55, 19])