初见这个函数是在做吴恩达ML课后作业时用到的。当初在《利用Python进行数据分析》一书当中也看过这个函数,但是忘记了,果然练习使用才是最好的记忆方式。
后文以np代指numpy。
一、简介
np.exp()函数是求 e x e^{x} ex的值的函数。
二、返回值
我们以这个函数为例
g
(
z
)
=
1
1
+
e
−
z
g(z)=\frac{1}{1+e^{-z}}
g(z)=1+e−z1,代码如下:
def sigmoid(z):
return 1 / (1 + np.exp(-z))
如果仅仅是在调用sigmoid函数的时候传入参数为纯数字,那么很好理解最后的返回值。
但是在机器学习中-,因为np.exp()的参数可以是向量,所以在传入的是一个向量时,很多初学者不理解此时的返回值是什么,一个数吗?请看如下代码:
import numpy as np
num = np.array(np.arange(10))
print(num)#输出数据
res = np.exp(num)#测试
print(res)
结果:
[0 1 2 3 4 5 6 7 8 9]
[1.00000000e+00 2.71828183e+00 7.38905610e+00 2.00855369e+01
5.45981500e+01 1.48413159e+02 4.03428793e+02 1.09663316e+03
2.98095799e+03 8.10308393e+03]
由以上结果可得,当np.exp()的参数传入的是一个向量时,其返回值是该向量内所以元素值分别进行 e x e^{x} ex求值后的结果,所构成的一个列表返回给调用处。
三、 未完待续。。。