1.np.zeros():#要用两个括号,里面的表示维度
parameters['W'+str(l)] = np.zeros((layers_dims[l],layers_dims[l-1]))
2.np.random.randn()与np.random.rand():前者返回值服从标准正态分布,后者返回值服从(0,1)的均匀分布
3.np.squeeze():
函数可以删除数组形状中的单维度条目,即把shape中为1的维度去掉,但是对非单维的维度不起作用。参考链接:https://blog.csdn.net/zenghaitao0128/article/details/78512715
a = np.arange(10).reshape(1,10)
print (a,a.shape)
[[0 1 2 3 4 5 6 7 8 9]] (1, 10)
b = np.squeeze(a)
print (b,b.shape)
[0 1 2 3 4 5 6 7 8 9] (10,)
c = np.arange(10).reshape(1,2,5)
print (c,c.shape)
[[[0 1 2 3 4]
[5 6 7 8 9]]] (1, 2, 5)
d = np.squeeze(c)
print (d,d.shape)
[[0 1 2 3 4]
[5 6 7 8 9]] (2, 5)
4.np.copy():深度复制,复制后的变量,会生成一个新的内存空间,去储存这个变量,所以a,b的改动互不影响
a = np.arange(4)
b = np.copy(a)
a = a+1
print (a,b)
[1 2 3 4] [0 1 2 3]
4.np.random.permutation()生成随机序列
参考链接:https://blog.csdn.net/weixin_41043240/article/details/79592106
np.random.permutation([1, 4, 9, 12, 15])
#array([15, 1, 9, 4, 12])
arr = np.arange(9).reshape((3, 3))
#array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
np.random.permutation(arr)
#array([[6, 7, 8],
[0, 1, 2],
[3, 4, 5]])
permutation = list(np.random.permutation(10))
#[5, 1, 7, 6, 8, 9, 4, 0, 2, 3]
Y = np.array([[1,1,1,1,0,0,0,0,0,0]])
Y_new = Y[:, permutation]
#array([[0, 1, 0, 0, 0, 0, 0, 1, 1, 1]])
5.np.nonzero():以元组方式返回数据中,非零值的索引
l = [0,12,3,4,5,0,2]
a = np.nonzero(l)
print (a)
print (a[1])
(array([1, 2, 3, 4, 6], dtype=int64),)
[1 2 3 4 6]
6.np.cllip(a, a_min, a_max):
其中a是一个数组,后面两个参数分别表示最小和最大值
import numpy as np
x=np.array([1,2,3,5,6,7,8,9])
np.clip(x,3,8)
Out[88]:
array([3, 3, 3, 5, 6, 7, 8, 8])
经过np.clip()处理的函数,也就是经过一个分段函数处理。看下图,就明白了。
参考链接:https://blog.csdn.net/qq1483661204/article/details/78150203
7.np.mean(),np.std():
计算均值与标准差