python深度学习：Numpy

1、导入

import numpy as np

2、生成数组，矩阵

x = np.array([1,2,3,4]) y = np.array([[1,2],[3,4],[5,6]])

3、计算

np.log(x) np.exp(x) np.dot(A,B)#矩阵乘法

4、生成数据

x = np.arange(0,6,0.1)#从0开始，到6，每步加0.1 y = np.zeros(n) #n为整数，生成n个元素的一维数列 z = np.zeros_like(x) #n为numpy矩阵，生成同大小的全为0的矩阵

5、求和

s = np.sum(x)

6、类型转换

z = True z = z.astype(np.int)

7、保存数据

分开保存

import os import numpy if os.path.exists("/saves/params_W1.npy"): params["W1"] = np.load("/saves/params_W1.npy")#加载保存的数据 else: if os.path.exists("/saves/"): os.makedirs(save_dir)#创建地址 self.params["W1"] = weight_init_std * np.random.randn(input_size,hidden_size)#生成随机初始值 #保存 np.save(os.path.join(save_dir, "params_W1.npy"), net.params["W1"])

8、矩阵的快速迭代

it = np.nditer(x, flags=['multi_index'], op_flags=['readwrite'])#高效迭代，以multi_index记录当前点的坐标 while not it.finished: idx = it.multi_index #……# it.iternext()

9.快速操作

y = np.argmax(y,axis=1) #例：y为一个二维矩阵，通过np.argmax找到每一行中的最大值，返回表示最大值索引的一维数列 x_train = np.where(x_train > 127, 1.0, 0.0).astype(np.float32) #快速完成二值化 np.eye(4) #生成如下的矩阵 #[[1,0,0,0], # [0,1,0,0], # [0,0,1,0], # [0,0,0,1]]

10、随机

batch_mask = np.random.choice(len(x_train), batch_size) #生成长度为batch_size的随机一维数组，取值为0~len(x_train)-1的随机整数 idx = np.random.permutation(len(x_train)) #生成长度为0~len(x_train)-1的随机一个错排 self.params["W1"] = weight_init_std * np.random.randn(input_size,hidden_size) #生成input_size*hidden_size的矩阵，取值符合正态分布