深度学习—Numpy数组库基础

Numpy是python中用于数组处理的一个库，让python有了比肩matlab的矩阵处理能力，因为其应用广泛，加上深度学习大多是对矩阵数据的处理，pytorch中对张量处理的tensor方法几乎照搬了该库，所以对Numpy的学习基本是深度学习绕不开的一个基础栈。

通常导入使用import numpy as np并将别名起为np，创建数组的方法为arr=np.arry([向量或矩阵])，一次使用示例如下：

可以看到array数组中的数据不以逗号,分割，也避免了和小数点.的混淆。

类型与形状

Numpy还顺带解决了一个问题，python本身的列表可以存储多种数据，这在存储时会造成浪费，故Numpy规定，一个数组中只能存储一种类型的数据，我们使用中多只分为整型和浮点型两种。

python既然是一个弱类型的语言，我们何必区分数据的类型呢？
在使用中该原理确实有要注意的地方——个人改变不了集体，具体体现为整型数据插入浮点数组会自动升级为浮点型，这无可厚非，无非多占用些内存，而浮点型数据进入整型数组会自动转为整型，这会导致浮点型数据截断，造成程序的误差。

由此还派生出另一个推论——共同改变定理，数组的数据类型如果要改变必须同时一起改变。
规范情况下，我们手动要实现数据转化可以使用arr.astype(数据类型)方法。

有些函数需要我们传入数组的形状参数，我们使用的一维数组格式为(x)，二维数组为(x,y)，三维数组为(x,y,z)，使用函数生成值全为1的方法展示如下：

参数中后面的值代表其低纬度数据个数，其参数表示为(y,x)，(z,y,x)更为直观。

创建数组

根据创建数组值的要求，主要有以下四种方法：
1，直接转化。手动输入矩阵并转化为数组，套一次[]就增加一维，文章开头展示的方法就是直接转化，生成三维数组的方法展示如下：

2，递增数组。使用np.range(起点，终点，步长)的方法生成递增数组，示例展示如下：

3，同值数组。生成一个全为一个值的数组，np.zeros(形状)生成全0数组，np.ones(形状)生成全1数组，在类型与形状中已经展示过。

4，随机数组。根据范围和类型生成随机值的数组：
np.random(形状)生成0-1均匀分布的数组；
np.random.randint(起点，终点，形状)生成范围内的整型数组
np.random.normal(均值，标准差，形状)生成符合正态分布的数组

访问数组

和数组的访问类似，可用[]访问，可用-负号倒着访问，用,区分行列

多维数据可用多层[]花式访问，例如两层[x][y]访问二维数组中位置为x,y的数据，由原本[行，列]的形式转变为[[行]，[列]]，且一次可以取出多个值。

同时也可以使用数组中切片访问[起点:终点:步长]的方法，其中起点或终点可缺省为空，表示一直到开始或结束，该方法可用于提取矩阵的特定行或列，取出的列会自动转为向量，减少了[]的使用，可以极大节约内存，示例如下：

为了节省内存，切片仅为试图，而非创建新的变量，对新赋值的变量进行修改会作用于原变量，而数组赋值也仅为绑定，同样不产生新变量，该现象展示如下：

可以看到对新变量arr1的修改作用于原arr，要想创建新的变量需使用.copy()方法复制，展示如下：

数组变形

转置，只对矩阵有效，使用arr.T实现

翻转，上下翻转使用np.flipud(arr)左右翻转使用np.fliplr(arr)，效果展示如下：

重塑，reshape(形状)方法实现，该方法在深度学习中很常用，将输入重塑为需要的形状，其中形状可用-1填充，实现自动计算，效果展示如下：

拼接，使用np.concatenate([数组],axis=0)，默认以行拼接，设置为1表示按列拼接，该方法在拼接时需注意维度一致，效果展示如下：

分裂，使用np.split(目标数组，[截断位置]，axis)，返回分裂后的多个元素，效果展示如下：

数组运算

数组间的加减乘除运算均为逐元素的对应运算，示例如下：

不同规格的矩阵或向量进行运算时会自动进行广播，低纬矩阵自动升级为高维进行运算，其中缺失的维度复制自身进行填充，效果展示如下：

可以看到三维矩阵分别与同一个向量进行了三次运算。

数组函数

1，矩阵乘积。前面使用的乘法为对应位置逐元素相乘，要实现矩阵中行列的乘法需要使用np.dot()函数，效果展示如下：

2，数学函数。
绝对值：np.abs()

三角函数：np.sin()、np.cos()、np.tan()

指数函数：np.exp(x)

对数函数：np.log(x)默认以e为底，log(x)/log(2)可用除法实现以2为底的对数

聚合函数：
最值max(arr,axis)缺省时为整体求最值，最小用min；
求和sum()
求积prod()
均值mean()
标准差std()

布尔数组

借助不等号创建，与限制条件比较后生成，示例如下：

该方法可用函数np.sum()获取值为true的个数，np.any()检验结果中是否有true，np.all()当结果全为true才返回true，np.where(限制条件)可返回索引元组，也可以将布尔数组作为掩码筛选过滤，效果展示如下：

数组与张量

由于numpy应用广泛，torch库几乎照搬了其中的函数，大部分函数在torch中只需将np换为torch，array换为tensor即可。

总结

本章学习了深度学习基础的numpy库，包括其概念和类型，创建访问和运算方法，该库最主要的是给我们提供了矩阵运算的方法，在日后深度学习处理数据，尤其是对图像方面的应用会十分广泛。

原文地址：https://blog.csdn.net/weixin_46763552/article/details/143477742

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！