Pytorch学习_01 NumPy（上）：核心数据结构详解

目录

​什么是NumPy

NumPy数组

NumPy 数组与 Python 列表的对比

创建数组

数组的属性

ndim

shape

size

dtype

其他创建数组的方式

np.ones() 与np.zeros()

np.arange()

np.linspace()

数组的轴

小结

---

为什么选择 PyTorch 框架？

从19年起，无论是学术界还是工程界 PyTorch 已经霸占了半壁江山，可以说 PyTorch 已经是现阶段的主流框架了。

这里的Py我们不陌生，它就是Python，那Torch是什么？从字面翻译过来是一个“火炬”。

什么是火炬呢？其实这跟TensorFlow中的Tensor是一个意思，我们可以把它看成是能在GPU中计算的矩阵。

机器跟人类的“语言”并不相通，想要让机器替我们完成对数据的复杂计算，就得先把数据翻译成机器能够理解的内容。无论是图像数据、文本数据还是数值数据，都要转换成矩阵才能进行后续的变化和运算。

搞定了读入数据这一步，我们就要靠PyTorch搞定后面各种复杂的计算功能。这些所有的计算功能，包括了从前向传播到反向传播，甚至还会涉及其它非常复杂的计算，而这些计算统统要交给 PyTorch 框架实现。

PyTorch会把我们需要计算的矩阵传入到GPU（或CPU）当中，在GPU（或CPU）中实现各种我们所需的计算功能。因为GPU做矩阵运算比较快，所以在神经网络中的计算一般都首选使用GPU，但对于学习来说，我们用CPU就可以了。

而我们要做的就是，设计好整个任务的流程、整个网络架构，这样PyTorch才能顺畅地完成后面的计算流程，从而帮我们正确地计算。

什么是NumPy

NumPy是用于Python中科学计算的一个基础包。它提供了一个多维度的数组对象（稍后展开），以及针对数组对象的各种快速操作，例如排序、变换，选择等。NumPy的安装方式非常简单，可以使用Conda安装，命令如下：

conda install numpy

或使用pip进行安装，命令如下：

pip install numpy

NumPy数组

1. N维数组：

   • ndarray 是 “N-dimensional array”的缩写，可以是1维、2维或更高维度的数组。
   • 维度（Dimension）指的是数组的轴数，例如：
     • 1-D数组：如 [1, 2, 3]
     • 2-D数组：如 [[1, 2, 3], [4, 5, 6]]
     • 3-D数组：如 [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]

2. 固定大小：

   • NumPy数组在创建时具有固定的大小，不能动态改变。如果需要改变数组的大小，必须创建一个新的数组并删除原数组。

3. 统一的数据类型：

   • NumPy数组中的所有元素必须具有相同的数据类型（dtype），这使得数组在内存中的存储更加高效。
   • Python列表可以包含不同类型的元素，例如整数、浮点数和字符串等。

4. 高效的运算：

   • NumPy对数组的运算进行了高度优化，允许对整个数组进行元素级的操作（如加法、乘法等），而无需使用循环，这使得计算速度更快。
   • NumPy数组的操作通常比Python列表更节省内存和计算资源。

NumPy 数组与 Python 列表的对比

特性	NumPy 数组	Python 列表
大小	固定大小，不能动态改变	动态大小，可以随时添加或删除元素
数据类型	所有元素必须相同	可以包含不同类型的元素
性能	针对数值运算进行了优化，速度较快	对于数值运算性能较低
内存使用	更加高效，节省内存	内存使用相对较高
操作方式	支持向量化操作，简洁高效	通常需要使用循环进行操作

创建数组

最简单的方法就是把一个列表传入到np.array()或np.asarray()中，这个列表可以是任意维度的。np.array()属于深拷贝，np.asarray()则是浅拷贝。（它们的区别后面再细讲）

先试着创建一个一维的数组

再创建一个二维数组：

数组的属性

作为一个数组，NumPy有一些固有的属性，我们今天来介绍非常常用且关键的数组维度、形状、size与数据类型。

ndim

ndim表示数组维度（或轴）的个数。刚才创建的数组arr_1_d的轴的个数就是1，arr_2_d的轴的个数就是2

shape

shape表示数组的维度或形状， 是一个整数的元组，元组的长度等于ndim。

arr_1_d的形状就是（1，）（一个向量）， arr_2_d的形状就是(2, 2)（一个矩阵）。

shape这个属性在实际中用途还是非常广的。比如说，我们现在有这样的数据(B, W, H, C)，这代表一个batch size 为B的（W，H，C）数据。

现在我们需要根据（W，H，C）对数据进行变形或者其他处理，这时我们可以直接使用input_data.shape[1:3]获取到数据的形状，而不需要直接在程序中硬编程、直接写好输入数据的宽高以及通道数。

在实际当中,如果经常需要对数组的形状进行变换，就可以使用arr.reshape()函数，在不改变数组元素内容的情况下变换数组的形状。但是你需要注意的是，变换前与变换后数组的元素个数需要是一样的，因为 reshape 只是重新组织元素的位置，而没有添加或删除任何元素。

例如，如果一个数组有 6 个元素，可以将它重新塑造成 2 行 3 列、3 行 2 列，或 6 行 1 列，但不能将它变为 4 行 2 列，因为那样会增加或减少元素的数量。请看下面的代码。

我们还可以使用np.reshape(a, newshape, order)对数组a进行reshape，新的形状在newshape中指定。

这里需要注意的是，reshape函数有个order参数，它是指以什么样的顺序读写元素，其中有这样几个参数：

• ‘C’：默认参数，使用类似C-like语言（行优先）中的索引方式进行读写。
• ‘F’：使用类似Fortran-like语言（列优先）中的索引方式进行读写。
• ‘A’：原数组如果是按照‘C’的方式存储数组，则用‘C’的索引对数组进行reshape，否则使用’F’的索引方式。

reshape的过程你可以这样理解，首先需要根据指定的方式(‘C’或’F’)将原数组展开，然后再根据指定的方式写入到新的数组中

size

size，也就是数组元素的总数，它就等于shape属性中元素的乘积。

请看下面的代码，arr_2_d的size是4

dtype

最后要说的是dtype，它是一个描述数组中元素类型的对象。使用dtype属性可以查看数组所属的数据类型。

NumPy中大部分常见的数据类型都是支持的，例如int8、int16、int32、float32、float64等。dtype是一个常见的属性，在创建数组，数据类型转换时都可以看到它。

首先我们看看arr_2_d的数据类型：

刚才创建arr_2_d的时候，我们并没有指定数据类型，如果没有指定数据类型，NumPy会自动进行判断，然后给一个默认的数据类型。

可以在创建arr_2_d时，对数据类型进行了指定。

数组的数据类型当然也可以改变，我们可以使用astype()改变数组的数据类型，不过改变数据类型会创建一个新的数组，而不是改变原数组的数据类型。

注意：不能通过直接修改数据类型来修改数组的数据类型，这样代码虽然不会报错，但是数据会发生改变：

1个float64相当于2个int32，所以原有的4个float64，会变为8个int32，然后直接输出这个8个int32。

其他创建数组的方式

np.ones() 与np.zeros()

np.ones()用来创建一个全1的数组，必须参数是指定数组的形状，可选参数是数组的数据类型，你可以结合下面的代码进行理解。

创建全0的数组是np.zeros()，用法与np.ones()类似。

那这两个函数一般什么时候用呢？例如，如果需要初始化一些权重的时候就可以用上，比如说生成一个2x3维的数组，每个数值都是0.5，可以这样做。

np.arange()

我们还可以使用np.arange([start, ]stop, [step, ]dtype=None)创建一个在[start, stop)区间的数组，元素之间的跨度是step。

start是可选参数，默认为0。stop是必须参数，区间的终点，请注意，刚才说的区间是一个左闭右开区间，所以数组并不包含stop。step是可选参数，默认是1。

np.linspace()

最后，我们也可以用np.linspace（start, stop, num=50, endpoint=True, retstep=False, dtype=None）创建一个数组，具体就是创建一个从开始数值到结束数值的等差数列。

• start：必须参数，序列的起始值。
• stop：必须参数，序列的终点。
• num：序列中元素的个数，默认是50。
• endpoint：默认为True，如果为True，则数组最后一个元素是stop。
• retstep：默认为False，如果为True，则返回数组与公差。

np.arange与np.linspace也是比较常见的函数，比如你要作图的时候，可以用它们生成x轴的坐标。例如，我要生成一个的图片，x轴可以用np.linespace()来生成。

数组的轴

这是一个非常重要的概念，也是NumPy数组中最不好理解的一个概念。它经常出现在np.sum()、np.max()这样关键的聚合函数中。

我们用这样一个问题引出，同一个函数如何根据轴的不同来获得不同的计算结果呢？比如现在有一个(4,3)的矩阵，存放着4名同学关于3款游戏的评分数据。

第一个需求是，计算每一款游戏的评分总和。

这个问题如何解决呢？ 数组的轴即数组的维度，它是从0开始的。对于我们这个二维数组来说，有两个轴，分别是代表行的0轴与代表列的1轴。如下图所示。（数值随机）

我们的问题是要计算每一款游戏的评分总和，也就是沿着0轴的方向进行求和。所以，我们只需要在求和函数中指定沿着0轴的方向求和即可。

第二个问题是要计算每名同学的评分总和，也就是要沿着1轴方向对二维数组进行操作。所以，我们只需要将axis参数设定为1即可。

计算方向如绿色箭头所示。

二维数组还是比较好理解的，那多维数据该怎么办呢？

其实当 axis = i 时，就是按照第 i 个轴的方向进行计算的，或者可以理解为第 i 个轴的数据将会被折叠或聚合到一起。

形状为(a, b, c)的数组，沿着0轴聚合后，形状变为(b, c)；沿着1轴聚合后，形状变为(a, c)；

沿着2轴聚合后，形状变为(a, b)；更高维数组以此类推。

接下来，我们再看一个多维数组的例子。对数组a，求不同维度上的最大值。

• 数组有 3 个层（或称为深度）
• 每个层中有 2 行
• 每行有 3 列

我们可以将同一个轴上的数据看做同一个单位，那聚合的时候，我们只需要在同级别的单位上进行聚合就可以了。

如下图所示，绿框代表沿着0轴方向的单位，蓝框代表着沿着1轴方向的单位，红框代表着2轴方向的单位。

当axis=0时，就意味着将三个绿框的数据聚合在一起，结果是一个（2，3）的数组，数组内容为：

在这个情况下，每个位置的值是从三个层中取最大值，例如：

• max(0, 6, 12) = 12
• max(1, 7, 13) = 13
• max(2, 8, 14) = 14
• 依此类推。

当axis=1时，就意味着每个绿框内的蓝框聚合在一起，这表示沿着第二个轴（行方向）进行聚合，返回一个形状为 (3, 3) 的数组,数组内容为:

每个层内的行被分别分析并取最大值，例如:

• max(0, 3) = 3
• max(1, 4) = 4
• max(2, 5) = 5
• 依此类推。

当axis=2时，就意味着每个蓝框中的红框聚合在一起，这表示沿着第三个轴（列方向）进行聚合,结果是一个（3，2）的数组。

在这个情况下，每一行（在每个层内部）被分别分析并取最大值，例如：

• max(0, 1, 2) = 2
• max(3, 4, 5) = 5
• 依此类推。

axis参数非常常见，不光光出现在刚才介绍的sum与max，还有很多其他的聚合函数也会用到，例如min、mean、argmin（求最小值下标）、argmax（求最大值下标）等。

小结

NumPy是用于Python中科学计算的一个基础包。它提供了一个多维度的数组对象，以及针对数组对象的各种快速操作。学习了创建数组的四种方式。

其中要掌握的方法，就是如何使用np.asarray创建一个数组。这里涉及数组属性（ndim、shape、dtype、size）的灵活使用，特别是数组的形状变化与数据类型转换。

最后，介绍了数组轴的概念，我们需要在数组的聚合函数中灵活运用它。虽然这个概念十分常用，但却不好理解，我还需要仔细揣摩一下，从2维数组一步步推理到多维数组，根据轴的不同，数组聚合的方向是如何变化的。

后面会继续学习NumPy中常用且重要的功能。

原文地址：https://blog.csdn.net/2301_77254487/article/details/144398484

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）！