【深度学习基础】多维数组及内积运算

向量的生成

>>> import numpy as np

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

>>> np.ndim(A)
1

>>> A.shape
(4,)

>>> A.shape[0]
4

一维数组又称为向量，使用ndim()可以获取到向量的维数1。

shape可以获取到各个维度的长度，这里只有一维，所以长度等于向量的长度4

矩阵的生成

矩阵的生成与向量类似：

>>> B = np.array([[1,2], [3,4], [5,6]])
>>> print(B)
[[1 2]
[3 4]
[5 6]]

>>> np.ndim(B)
2
>>> B.shape
(3, 2)

我们发现，矩阵就是把一个个向量叠放在一起。

使用ndim()可以获取到向量的维数2。

shape可以获取到各个维度的长度，返回的3,2表示有三行，两列

矩阵的内积

内积的计算不再是建单的对应位置的元素相乘了，而是：

A(i, *) * B(*, j) = C(i,j) 

可以使用numpy.dot(A, B)进行计算：

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

>>> B = np.array([[5,6], [7,8]])
>>> B.shape
(2, 2)

>>> np.dot(A, B)
array([[19, 22],
[43, 50]])

感知机中的内积计算

 我们看到输入是两个，x1和x2

对应的权重矩阵为2*3，表示会产生3个输出。

>>> X = np.array([1, 2])
>>> X.shape
(2,)
>>> W = np.array([[1, 3, 5], [2, 4, 6]])
>>> print(W)
[[1 3 5]
[2 4 6]]
>>> W.shape
(2, 3)
>>> Y = np.dot(X, W)
>>> print(Y)
[ 5 11 17]