1、补充几个函数
① tf.where() --- 条件语句真返回A,条件语句假返回B
tf.where(条件语句,A,B)
示例:
import tensorflow as tf
a = tf.constant([1,2,3,1,1])
b = tf.constant([0,1,3,4,5])
c = tf.where(tf.greater(a,b),a,b) #若 a > b,返回a对应位置的元素,否则返回b对应位置的元素
print("c:",c)
运行结果:
c: tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)
② np.random.RandomState.rand(维度) --- 返回一个【0,1)之间的随机数。维度为空,返回标量
示例:
import numpy as np
rdm = np.random.RandomState(seed = 1) # seed = 常数保证每次生成随机数相同
a = rdm.rand() # 返回一个随机标量
b = rdm.rand(2,3) # 返回维度为2行3列随机数矩阵
print("a:",a)
print("b:",b)
运行结果:
a: 0.417022004702574
b: [[7.20324493e-01 1.14374817e-04 3.02332573e-01]
[1.46755891e-01 9.23385948e-02 1.86260211e-01]]
③ np.vstack(数组1,数组2) --- 将两个数组按垂直方向叠加
示例:
import numpy as np
a = np.array([1,2,3])
b = np.array([4,5,7])
c = np.vstack((a,b))
print("c:\n",c)
运行结果:
c:
[[1 2 3]
[4 5 7]]
④ np.mgrid[ ] .ravel() np.c_[ ] ---- 3个常一起使用,可生成网格坐标点
np.mgrid[ 起始值:结束值:步长,起始值:结束值:步长,。。。]
-- 返回若干组维度相同的等差数组;
-- 每组有起始值,结束值,步长;
-- 多组起始值,结束值,步长中间用逗号隔开
-- 【起始值,结束值)前闭后开区间
x .ravel() -- 将x变为一维数组,相当于“把 .前的变量x拉直”
np.c_[数组1,数组2,。。。] -- 把数组点配对后返回
示例:
import numpy as np
x1 = np.mgrid[1:3:1]
y1 = np.mgrid[2:4:0.5]
print("x1:",x1)
print("y1:",y1)
x, y = np.mgrid[1:3:1, 2:4:0.5] # 1:3:1 对应x的取值,2:4:0.5 对应y的取值范围,为保证两个数组维度相同,均取了2行4列
grid = np.c_[x.ravel(), y.ravel()]
print("x:\n", x)
print("y:\n", y)
print("x_ravel:",x.ravel()) # 将x变为一维数组,相当于“把 .前的变量x拉直”
print("y_ravel:",y.ravel())
print("grid:\n",grid) # 将 x.ravel(), y.ravel()配对
x1: [1 2]
y1: [2. 2.5 3. 3.5]
x:
[[1. 1. 1. 1.]
[2. 2. 2. 2.]]
y:
[[2. 2.5 3. 3.5]
[2. 2.5 3. 3.5]]
x_ravel: [1. 1. 1. 1. 2. 2. 2. 2.]
y_ravel: [2. 2.5 3. 3.5 2. 2.5 3. 3.5]
grid:
[[1. 2. ]
[1. 2.5]
[1. 3. ]
[1. 3.5]
[2. 2. ]
[2. 2.5]
[2. 3. ]
[2. 3.5]]
2、神经网络(NN)复杂度
- 神经网络(NN)复杂度:多用NN层数和NN参数的个数表示。
空间复杂度:
- 层数 = 隐含层的层数 + 1个输出层
下图为2层NN
- 总参数 = 总W + 总b
下图总参数 3x4+4 + 4x2+2 =26
第1层 第2层
因输入层仅输入数据,未涉及运算,故在统计神经网路层数时,不算输入层。
时间复杂度:
- 乘加运算次数
下图 3x4 + 4x2 =20
第1层 第2层