我的深度学习入门代码整理

1.利用python构建基本函数

使用向量化数据方法，提升代码运行效率

方法：使用numpy库中的dot()函数来计算和一般的for循环算法，比较其时间运行效率

np.dot()方法

#检验numpy已经安装且可以使用
import numpy as np
a=np.array([1,2,3,4])
print(a)



import time

#产生2组，每组1000000个随机数
a=np.random.rand(1000000)
b=np.random.rand(1000000)

#利用np.dot()来计算这两组数分别相乘,记录时间
tic=time.time()
c=np.dot(a,b)
toc=time.time()

print(c)
print("vectorized version:"+str(1000*(toc-tic))+"ms")

#利用for loop来计算这两组数
c=0
tic=time.time()
for i in range(1000000):
    c+=a[i]*b[i]
toc=time.time()

print(c)
print("for loop:"+str(1000*(toc-tic))+"ms")

---

第一个梯度函数：

sigmoid_derivative(x)=s*(1-s) 

s(x)=1/(1+np.exp(-x))

import numpy as np

x=np.array([1,2,3])
print(x)

def npsigmoid(x):
    return 1/(1+np.exp(-x))
print("x的sigmoid结果")
print(npsigmoid(x))

def sigmoid_derivative(x):
    s=npsigmoid(x)
    return s*(1-s)
print("x的梯度函数结果")
print("sigmoid_derivative(x)="+str(sigmoid_derivative(x)))

---

把3D数据改成1D，，重组数组

import numpy as np

def image2vector(image):
    v=image.reshape(image.shape[0]*image.shape[1]*image.shape[2],1)
    return v

#图片识别中，将图片分解为三个颜色通道的特征矩阵
#5,4,3中，3表示是三个颜色通道，5和4分别是行和列的像素个数，
#数据集，现用random.rand()生成，正常的话应该是有数据集的

image=np.random.rand(5,4,3)
print(image)
print("image2vector(image)="+str(image2vector(image)))    

---

 

 向量标准化

行标准化函数 np.linalg.norm(x, ord=None, axis=None, keepdims=False)
x的每一行应为单位长度（即长度为1）向量

---

范数是对向量（或者矩阵）的度量（0 范数、1范数、2范数........ P范数）

其中：

0 范数，表示向量中非零元素的个数。

1 范数，表示向量中各个元素绝对值之和。

2 范数，表示向量中各个元素平方和 的 1/2 次方，L2 范数又称 Euclidean 范数或者 Frobenius 范数。

p 范数，表示向量中各个元素绝对值 p 次方和 的 1/p 次方。

---

用法：np.linalg.norm(x, ord=None, axis=None, keepdims=False)
参数介绍：
    x表示要度量的向量

    ord:
    ord=None，表示求整体的矩阵元素平方和，再开根号
    ord=1，表示求列和的最大值
    ord=2，|λE-ATA|=0，求特征值，然后求最大特征值的算术平方根
    ord为无穷大，表示求行和的最大值

    axis=0 表示按列向量来进行处理，求多个列向量的范数; 
    axis =1 表示按行向量来进行处理，求多个行向量的范数
   
    keepdims表示是否保持矩阵的二位特性，True表示保持
"""

def normalizeRows(x):#求范数
    x_norm=np.linalg.norm(x,axis=1,keepdims=True)
    x=x/x_norm#广播效应
    print(x.shape)
    print(x_norm.shape)
    return x

import numpy as np
x=np.array([[1,2,3],[4,5,6]])
print("x向量："+str(x))
print("x的标准向量："+str(normalizeRows(x)))

---

 softmax（）

求每个元素所占比例（在该元素所在的行中） 

#softmax函数
import numpy as np

def softmax(x):
    x_exp=np.exp(x)#对每个x中的元素求e^x
    x_sum=np.sum(x_exp,axis=1,keepdims=True)#求每行矩阵/向量的和
    return x_exp/x_sum

x=np.array([[1,1,1],[1,2,3]])
print("x向量："+str(x))
print("x向量的softmax函数："+str(softmax(x)))