导语
深度学习中经常需要对图像和矩阵进行操作,好在python提供了Numpy和Matplotlib库,前者类似一个已经定义的数组类,支持多维,后者和matlab一脉相承,用法也大同小异
NumPy
导入与生成
import numpy as np#常用写法
a=np.array([1.1,2.1,3.4])
print(a)
print(type(a))
算术运算
可以看到,各种算术运算的结果是将对应项进行加减乘除,必须保证矩阵同型,如果第二个操作数只有一个,那么就代表对矩阵的每一项做该操作。
import numpy as np#常用写法
a=np.array([1.0,2.0,3.0])
b=np.array([5.0,6.0,7.0])
print(a+b)
print(a-b)
print(a*b)
print(a/b)
print(a/2.0)
N维数组
NumPy针对的不只是一维数组,也可以是多维数组,常用的对象是矩阵。
import numpy as np#常用写法
a=np.array([[0,1],[2,3]])
print(a)
print(a.shape)
print(a.dtype)
print(a*a)
print(a+a)
print(a*20)
广播
多用于高维数组和低维数组之间,简单理解就是对数组的每个元素进行与低维数组的运算,逻辑上可以理解为低维被拓展成了与对应数组同维度的数组,例子中可以看到输出结果和高维的a相同。
import numpy as np#常用写法
a=np.array([[0,1],[2,3]])
b=np.array([[3,4]])
print(a*b)
元素访问
访问很简单,数组是怎么访问的就怎么写。
import numpy as np#常用写法
a=np.array([[11,12],[13,14],[15,16]])
print(a)#全部数据
print(a[0])#输出一行
print(a[0][1])#输出一个
for i in a:#按行遍历
print(i)
a=a.flatten()#转换成一维数组
print(a)
print(a[np.array([0,2,3])])#输出对应下标元素
print(a>13)#判断大于13的结果
print(a[a>13])#返回一个只有大于13的数组
Matplotlib
Python中用于绘制图形的库,看名字就知道和matlab很有关,实际上用法也是大同小异。
简单图案绘制
import numpy as np
import matplotlib.pyplot as plt
x=np.arange(0,5,0.2)#范围0~5,步长0.2
y=np.cos(x)
plt.plot(x,y)#画函数
plt.show()
多函数绘制
import numpy as np
import matplotlib.pyplot as plt
x=np.arange(0,5,0.2)#范围0~5,步长0.2
y1=np.cos(x)
y2=np.sin(x)
plt.plot(x,y1,label="cos")
plt.plot(x,y2,linestyle="--",label="sin")
plt.xlabel("x")
plt.ylabel("y")
plt.title('sin&cos')
plt.legend()
plt.show()
图像显示
使用imshow显示,imread读入。
import matplotlib.pyplot as plt
from matplotlib.image import imread
img=imread('xxx.png')
plt.imshow(img)
plt.show()
总结
NumPy在深度学习中是很常用的一个类,其自带的各种函数和特性很方便实现矩阵间的运算,而matplotlib更适合对结果进行展现
参考文献
- 《深度学习入门——基于Python的理论与实践》