- 在机器学习中,我们通常用np.exp(x),而不是math.exp(x)。因为x有可能是一个矩阵
- X.shape[0]返回X的第一维向量的个数...
- X.reshape(a, b)将X变为a*b的矩阵
-
向量的模:∥x∥=np.linalg.norm(x,axis=1,keepdims=True)
-
axis:处理类型
axis=1表示按行向量处理,求多个行向量的范数
axis=0表示按列向量处理,求多个列向量的范数
axis=None表示矩阵范数
-
keepding:是否保持矩阵的二维特性
True表示保持矩阵的二维特性,False相反
-
softmax()归一化
# GRADED FUNCTION: softmax def softmax(x): x_exp = None x_exp = np.exp(x) x_sum = None x_sum = np.sum(x_exp, axis = 1, keepdims = True) s = None s = x_exp/x_sum return s
-
在python中,np.dot()是矩阵乘法,而‘ * ’,‘ np.multiply() ’相当于.*