深度学习系列之Numpy基础（一）

写在开头：因为也开始了深度学习课程的学习，对于很多东西还要慢慢理解，所以也打算开一个这个系列来分享一下自己的理解。

深度学习系列

对于本系列的学习内容安排的话，主要涉及的是对于图像识别方面的内容，或许我会在学完后在来写一个目录，今天的内容就是对于python中numpy使用的一些汇总，主要学习来源附在最后的参考文献。

Numpy学习

在使用Numpy之前，我们想进行一些矩阵运算往往只能通过一个又一个的for循环去完成，但有了Numpy库的支持，我们得以用简单的语句完成繁琐的for循环计算，下面我们结合代码开始今天的分享，
首先加载numpy包，

import numpy as np

数组的产生与查看

a = np.array([1, 2, 3])
print("数组的格式",type(a))
print("数组元素的类型",a.dtype)
print("数组的规模",a.shape)
print(a[0], a[1], a[2])
a[0] = 5 #修改值
print("打印数组",a)

b = np.array([[1,2,3],[4,5,6]]) #创建二元数组
print("数组的规模",b.shape) 
print(b[0, 0], b[0, 1], b[1, 0]) #打印二元数组

数组的格式 <class 'numpy.ndarray'>
数组元素的类型 int32
数组的规模 (3,)
1 2 3
打印数组 [5 2 3]
数组的规模 (2, 3)
1 2 4

---

方便的矩阵生成
其实说是矩阵，也跟数组差不多，numpy提供了不少快捷的矩阵生成函数，

a = np.zeros((2,2)) #产生一个0矩阵
print("零矩阵\n",a)
b = np.ones((1,2)) #产生全为1的矩阵
print("1矩阵\n",b)
c = np.full((2,2), 7) #填充
print("填充矩阵\n",c)
d = np.eye(2) #对角线
print("对角矩阵\n",d)
e = np.random.random((2,2)) #0-1的随机数
print("0,1随机矩阵\n",e)

零矩阵
 [[0. 0.]
 [0. 0.]]
1矩阵
 [[1. 1.]]
填充矩阵
 [[7 7]
 [7 7]]
对角矩阵
 [[1. 0.]
 [0. 1.]]
0,1随机矩阵
 [[0.2336035  0.72817244]
 [0.55966474 0.64770182]]

---

numpy数组的同步映射与数组选取
这里值得一提的是numpy在数组赋值过后，对赋值后的数组进行数值的变动，会影响原矩阵对应数值的变动，

a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])

b = a[:2, 1: