深度学习编程作业与算法相关函数笔记

Numpy库

import numpy as np

1.rand()，randn()，randint()，random_sample()

作用：生成(0,1)均匀分布随机数；生成(0,1)标准正态分布随机数；生成随机整数；生成[0,1)随机数。
参考：-Numpy 中 rand, randn, randint,random_sample用法

2.squeeze()，ravel()，flatten()

语法：numpy.squeeze(a,axis = None)
作用：三个函数都有将多维数组转换为一维数组的功能。squeeze()函数从数组的形状中删除单维度条目，即把shape中为1的维度去掉。
参考： - Numpy库学习—squeeze()函数
-numpy中的ravel()
-numpy中的ravel()、flatten()、squeeze()的用法与区别

3.array()

语法：numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)
作用：生成数组（第三个参考里列举了其他相关函数）
参考：-Numpy.array()详解 、np.array与np.asarray辨析、 np.array和np.ndarry的区别
-np.array()

4.linalg.norm()

语法：np.linalg.norm(x, ord=None, axis=None, keepdims=False)
作用：求范数，默认是ord=2即$L_2$范数。
参考：-np.linalg.norm(求范数)

5.随机种子

语法：np.random.seed(0)
作用：和np.random.rand()等生成随机数的方法一起使用，用来生成伪随机数。
参考：-随机种子的详解

6.eye()

语法：np.eye(3)[labels.reshape(-1)]
作用：深度学习中将数组转换成one-hot向量
参考：-np.eye()函数

Matplotlib库

import matplotlib.pyplot as plt

1.contourf()

语法：plt.coutour([X, Y,] Z,[levels], **kwargs)
作用：绘制三维等高线，contour() 绘制轮廓线，contourf()会填充轮廓。
参考：-matplotlib.pyplot contourf()函数的使用

2.cmap=plt.cm.Spectral

语法：plt.scatter(X, Y, c = label, s = 40, cmap = plt.cm.Spectral)
作用：给label为1的点一种颜色，给label为0的点另一种颜色。
参考：-关于plt.cm.Spectral

3.subplot()

语法：plt.subplot(nrows, ncols, index, **kwargs)
作用：用子图的形式表示图表
参考：-plt.subplot()使用方法以及参数介绍

4.axis()

语法：plt.axis([a, b, c, d])
作用：x坐标轴范围[a,b]，y坐标轴范围[c,d]，还可以对坐标轴进行其他设置，详见参考。
参考：-matplotlib系列-plt.axis

5.rcParams[]

语法：plt.rcParams['image.interpolation'] = 'nearest'
作用：设置插值方式，可以利用其他参数设置图像细节，具体见参考。
参考：-Matplotlib中plt.rcParams用法（设置图像细节）

TensorFlow框架

import tensorflow as tf

1.tf.one_hot()

语法：tf.one_hot(indices,depth,on_value=None,off_value=None,axis=None,dtype=None,name=None)
作用：独热函数
参考：-tf.one_hot()

2.tf.argmax()

语法：tf.argmax(array,axis)
作用：可以认为是np.argmax()，返回数组array所在坐标轴axis的最大值的下标。

3.tf.cast()

语法：tf.cast(x, dtype)
作用：将x的数据格式转化成dtype

4.tf.random_normal()，tf.random_uniform()，tf.truncated_normal()，tf.random_shuffle()

语法及作用：
1.tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)从正态分布中输出随机值
2.tf.random_uniform(shape, minval=0,maxval=None,dtype,seed,name)从均匀分布中返回随机值
3.tf.truncated_normal(shape, mean, stddev,dtype,seed,name)截断的正态分布函数
4.tf.random_shuffle(value,seed,name)随机打乱张量
参考：-tf.argmax, tf.equal, tf.cast和 tf.truncated_normal
-tensorflow 生成随机数 tf.random_normal 和 tf.random_uniform 和 tf.truncated_normal 和 tf.random_shuffle

5.tf.contrib.layers.xavier_initializer()

语法：tf.contrib.layers.xavier_initializer(uniform=True,seed=None,dtype=tf.float32)
作用：返回一个用于初始化权重的初始化程序 “Xavier” ，这个初始化器是用来使得每一层输出的方差应该尽量相等。
参考：-tf.contrib.layers.xavier_initializer函数用法

6.tf.nn.sparse_softmax_cross_entropy_with_logits()

语法：tf.nn.sparse_softmax_cross_entropy_with_logits(logits=输出层输出,labels=一维vector长度为batch_size)
作用：同时实现softmax和cross_entropy得出loss
参考：-【TensorFlow】关于tf.nn.sparse_softmax_cross_entropy_with_logits（）

Keras框架

from keras import backend as k

1.K.learning_phase()

语法：’K.learning_phase(): 1
作用：当前模型执行于训练模式（1）或测试模型（0），一般用于feed_dict的参数。
参考：-K.learning_phase()函数解说

学习笔记未完，现在的进度是深度学习5.1序列模型的编程作业，深度学习所有完成之后会把编程作业重新过一遍，然后增加笔记。