paddlepaddle学习笔记2--numpy的应用

paddlepaddle学习笔记2

前言

从之前的房价预测的实际演练中，我们发现在完成深度学习模型的过程中，第三方库numpy是极其重要的。所以在此处记录一下numpy的学习过程

ndarray数组的矢量性质

• ndarray数组中所有元素的数据类型相同、数据地址连续，批量操作数组元素时速度更快。而list列表中元素的数据类型可能不同，需要通过寻址方式找到下一个元素。
• ndarray数组支持广播机制，矩阵运算时不需要写for循环。
• NumPy底层使用C语言编写，内置并行计算功能，运行速度高于Python代码。

# Python原生的list
# 假设有两个list
a = [1, 2, 3, 4, 5]
b = [2, 3, 4, 5, 6]

# 完成如下计算
# 对a的每个元素 + 1
# a = a + 1 不能这么写，会报错
# a[:] = a[:] + 1 也不能这么写，也会报错
for i in range(5):
    a[i] = a[i] + 1

如果使用ndarry实现同样的效果：

import numpy as np
a = np.array([1,2,3,4,5])
a+=1
输出结果为：array([2,3,4,5,6])

以及假如要实现两个list的相加：

# 计算 a和b中对应位置元素的和，是否可以这么写？
a = [1, 2, 3, 4, 5]
b = [2, 3, 4, 5, 6]
# 使用for循环，完成两个list对应位置元素相加
c = []
for i in range(5):
    c.append(a[i] + b[i])

不难看出对于list中的任何元素都要进行for循环才能进行操作但是ndarry就可以直接利用矢量性质一步到位

# 使用numpy中的ndarray完成两个ndarray相加
import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.array([2, 3, 4, 5, 6])
c = a + b 

ndarry数组的广播机制

以下代码为例，不难看出，ndarry在进行一维和二维数组的相加的时候，会将一维数组广播到二维数组按位相加

# 自动广播机制，1维数组和2维数组相加

# 二维数组维度 2x5
# array([[ 1,  2,  3,  4,  5],
#         [ 6,  7,  8,  9, 10]])
d = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
# c是一维数组，维度5
# array([ 4,  6,  8, 10, 12])
c = np.array([ 4,  6,  8, 10, 12])
e = d + c
e

array([[ 5, 8, 11, 14, 17], [10, 13, 16, 19, 22]])

创建ndarry数组

创建ndarray数组最简单的方式就是使用array函数，它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的NumPy数组。下面通过实例体会下array、arange、zeros、ones四个主要函数的用法。

• array：创建嵌套序列（比如由一组等长列表组成的列表），并转换为一个多维数组。

# 导入numpy
import numpy as np

# 从list创建array 
a = [1,2,3,4,5,6]  # 创建简单的列表
b = np.array(a)    # 将列表转换为数组
b

array([1, 2, 3, 4, 5, 6])

• arange：创建元素从0到10依次递增2的数组。np.arange(开始，结束，步长)

# 通过np.arange创建
# 通过指定start, stop (不包括stop)，interval来产生一个1维的ndarray
a = np.arange(0, 10, 2)
a
array([0, 2, 4, 6, 8])

• zeros：创建指定长度或者形状的全0数组。np.zeros([一维array的数量，一个一维array中有多少个元素])

# 创建全0的ndarray
a = np.zeros([3,4])
a
array([[0., 0., 0.,0.], [0., 0., 0.,0.], [0., 0., 0.,0.]])

• ones：创建指定长度或者形状的全1数组。与上边同理，只是其中的单个元素0换为1

# 创建全1的ndarray
a = np.ones([3,3])
a
array([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])

ndarry数组的属性

ndarray的属性包括shape、dtype、size和ndim等，通过如下代码可以查看ndarray数组的属性。

• shape：数组的形状 ndarray.shape，1维数组（N, ），二维数组（M, N），三维数组（M, N, K）。
• dtype：数组的数据类型。（数据类型一般有：int\float64\double等）
• size：数组中包含的元素个数 ndarray.size，其大小等于各个维度的长度的乘积。（所有的元素的数量）
• ndim：数组的维度大小，ndarray.ndim, 其大小等于ndarray.shape所包含元素的个数。

a = np.ones([3, 3])
print('a, dtype: {}, shape: {}, size: {}, ndim: {}'.format(a.dtype, a.shape, a.size, a.ndim))

运行结果：
a, dtype: float64, shape: (3, 3), size: 9, ndim: 2

ndarray数组的数据类型和形状

a.astype(np.int64) 强制类型转换

a.reshape([m,n]) 对元素切片为n行，每行有m个元素

#数据类型强制转换
a = np.ones([3,4])
b = a.astype(np.int64)
print('b, dtype: {}, shape: {}'.format(b.dtype,b.shape))

#改变ndarray形状
c = a.reshape([2,6])
print('c, dtype: {}, shape: {}'.format(c.dtype,c.shape))

运行结果：
b, dtype: int64, shape: (3, 4)
c, dtype: float64, shape: (2, 6)

ndarray数组的基本运算

标量和ndarray数组之间的运算

标量和ndarray数组之间的运算主要包括除法、乘法、加法和减法运算，具体代码如下所示。

# 标量除以数组，用标量除以数组的每一个元素
arr = np.array([[1., 2., 3.], [4., 5., 6.]])
1. / arr
运行结果：
array([[1. , 0.5 , 0.33333333], [0.25 , 0.2 , 0.1666