深度学习算法实践2---线性代数和Numpy的使用

在下载了Theano源码之后，我们同时以开发模式安装了Theano。下面我们来尝试使用Numpy和Theano作一些简单的线性代数运算，熟悉一下这两库的基本使用方法，为下面的神经网络算法学习打好基础。

[python]  view plain  copy

 

1. # 测试开发环境是否正确，定义二维数组及常数与数组相乘  
2. import numpy  
3. from theano import *  
4. import theano.tensor as T  
5.   
6. mtx = numpy.asarray([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])  
7. scale = 2.0  
8. newMtx = scale * mtx  
9.   
10. print("二维数组乘以常数： %f, %f" % (newMtx[0, 0], newMtx[2, 0]))  

在引入了我们所需要的类之后，我们首先声明了一个矩阵，这里是一个3*2的二维数组mtx，接着我们将一个常数乘以矩阵mtx，得到新的矩阵newMtx，最后我们打印出第一行第一列和第三行第一列的值。

从上面这个简单的例子，我们可以看到，Theano和Numpy的使用还是非常简单的。

下面来看两个矩阵的加法。其实从本质上来说，向量是一维数组，矩阵在是二维数组，张量是三维数组，而我们所熟悉的常数，即标量，实际上是零维数组。所以在讨论矩阵加法之前，我们先来看两个数的加法操作，然后将其推广到矩阵乘法。

[python]  view plain  copy

 

1. # 两个数的加法  
2. import numpy  
3. import theano.tensor as T  
4. from theano import function  
5.   
6. x = T.dscalar("x")  
7. y = T.dscalar("y")  
8. z = x + y  
9. addition = function([x, y], z)  
10.   
11. x = 100  
12. y = 200;  
13. print("加法结果：%d" % addition(x, y))  

在上面代码中首先定义两个标量x和y，然后定义z为x与y之和，接着定义函数addition，功能是求两个标量之和。在完成上述定义之后，我们为标量x和y赋值，调用定义好的加法函数，打印出运算结果。

如果我们要做两个矩阵的加法，只需对上面的代码进行简单的修改即可，代码如下所示：

[python]  view plain  copy

 

1. # 两个矩阵的加法  
2. import numpy  
3. import theano.tensor as T  
4. from theano import function  
5.   
6. x = T.dmatrix("x")  
7. y = T.dmatrix("y")  
8. z = x + y  
9. addition = function([x, y], z)  
10.   
11. x = [[1.0, 2.0], [3.0, 4.0]]  
12. y = [[10.0, 20.0], [30.0, 40.0]]  
13. print(addition(x, y))  

打印结果如下所示：

[python]  view plain  copy

 

1. [[ 11.  22.]  
2.  [ 33.  44.]]  

从上面的代码可以看出，在Theano和Numpy下，线性代数的相关操作还是非常简单的。

作为参考，下面列出了我们经常使用的类型：

[plain]  view plain  copy

 

1. byte: bscalar, bvector, bmatrix, brow, bcol, btensor3, btensor4  
2. 16-bit integers: wscalar, wvector, wmatrix, wrow, wcol, wtensor3, wtensor4  
3. 32-bit integers: iscalar, ivector, imatrix, irow, icol, itensor3, itensor4  
4. 64-bit integers: lscalar, lvector, lmatrix, lrow, lcol, ltensor3, ltensor4  
5. float: fscalar, fvector, fmatrix, frow, fcol, ftensor3, ftensor4  
6. double: dscalar, dvector, dmatrix, drow, dcol, dtensor3, dtensor4  
7. complex: cscalar, cvector, cmatrix, crow, ccol, ctensor3, ctensor4