首先说明一个非常重要的参数—axis:
以axis=0为例,则沿着第0个下标(最左边的下标)变化的方向进行操作,
也就是将除了第0个下标外,其他两个下标都相同的部分分成一组,然后再进行操作
例如一个3*3的二维数组A(3, 3)
如果定义axis = 0,也就是说除了第一个下标可以不同,其他下标必须都相同,那么用C++的数组表示,分组如下:
第一组:A[0][0], A[1][0], A[2][0]
第二组:A[0][1], A[1][1], A[2][1]
第三组:A[0][2], A[1][2], A[2][2]
三维数组一样,就是axis指定的维度不一样,其他两个维度下标要一样。
这里需要特别说明一下axis=-1的操作,在pyhton中,-1代表倒数第一个,也就是说,
假如你的矩阵shape=[3,4,5],那么对这个矩阵来说,axis=-1,其实也就等于axis=2
除了axis之外,还有一个keepdims也常运用:
例如一个a:100*10
前面是操作,后面是操作结果形状
np.exp(a):100*10 (相当对每个数进行e次幂)
np.sum(np.exp(a)):无结果,因为不知道是在哪个维度求和
np.sum(np.exp(a), axis=0):10 (每列求和,最后变成长度为10的一维数组)
np.sum(np.exp(a), axis=0, keepdims=True):1*10 (取共10列的每一列最大值)
np.sum(np.exp(a), axis=1):100 (每行求和,最后变成长度为100的一维数组)
np.sum(np.exp(a), axis=1, keepdims=True):100*1 (取共100行的每一行最大值,但任保留数组形状)
字典keys()方法,只返回所有键名
字典items()方法,返回键名和键值
作用:显示数组形状,显示数据类型,获得数组维度
用法:
A = np.array([[1, 2], [3, 4]])
A.shape -> (2, 2)
A.dtype -> dtype(‘int64’)
np.ndim(A) -> 2
作用:将X转换为一维数组
用法:X = np.array([[1, 2], [3, 4]])
X = X.flatten()
print(X) -> [1, 2, 3, 4]
作用:获取两举证乘积
作用:获取数组A在x维度上的最大值下标
用法:
A = np.array([[1, 2], [3, 4], [8, 5]])
A = np.argmax(A, axis=1) #获取每一行最大值的下标
print(A) -> [1 1 0]
作用:重定义数组形状
用法:
a = a.reshape(1, a.size)
a = a.reshape(first_lenth, -1) #-1表示将剩下的数据归结到一个维度
作用:求ln(A)
用法:
A = np.array([[1, 2], [3, 4], [8, 5]])
print(np.log(A)) ->
[[0. 0.69314718]
[1.09861229 1.38629436]
[2.07944154 1.60943791]]
作用:求和
用法:np.sum(数组, axis=在某个维度上求和, keepndims=True/默认False)
作用:生成规律数组
用法:x = np.arange(0, 20, 2) #以2为单位,从0到20(不包括20)的数组
[ 0 2 4 6 8 10 12 14 16 18]
rand()和randn()中的参数都是填写要生成的数组形状
rand()生成的数据在0~1之间
randn()返回服从高斯分布的数据
例:
a1 = np.random.rand(2, 2)
a2 = np.random.randn(2, 2)
print(“rand:” + str(a1))
print(“randn:” + str(a2))
例如,
A = np.zeros(2, 4) #A为一个2*4大小的0数组
A = np.array([[1, 2], [3, 4], [8, 5]])
B = np.zeros_like(A) #B为形状和A一样(3*2),但是数据全是0的数组
例如,
batch_mask = np.random.choice(100, 20) #在100个数中选20个数
print(batch_mask)
[75 37 13 85 39 95 28 23 30 11 60 54 71 27 13 92 37 44 58 97]
作用:矩阵拼接
例如:
a = np.array([[1, 2], [2, 3]])
b = np.array([[3, 4]])
np.concatenate((a, b), axis=0)
最后得出的结果是
[[1 2]
[2 3]
[3 4]]
这里面的axis=0是说明他是进行行拼接,也就是将b的元素作为新的几行拼接到a后面
但是这里不能设定aixs=1,这是因为一个(2, 2)的数组和一个(1, 2)的数组是无法进行列拼接的
如果b = np.array([[3], [4]]),那么就可以设定axis=1,进行列拼接,结果是
[[1 2 3]
[2 3 4]]
作用:打乱数据
例如:
a = np.array([1, 2, 3, 4])
np.random.shuffle(a)
print(a)
[1 3 4 2]
作用:获得平均值
例如:
a = np.array([[1, 2], [3, 4]])
print(a.mean(axis=0)) #[2. 3.]
print(a.mean(axis=1)) #[1.5 3.5]
作用:获取标准差
例如:
a = np.array([[1, 2], [3, 4]])
print(a.std(axis=0)) #[1. 1.]
print(a.std(axis=1)) #[0.5 0.5]
作用:拓展张量
例如:
print(img_tensor.shape) #(150, 150, 3)
img_tensor = np.expand_dims(img_tensor, axis=0)
print(img_tensor.shape) #(1, 150, 150, 3)
持续跟新…