Python 高数篇 3

Python 高数篇 3

零蚀

---

矩阵的运用

• 矩阵的输出

import numpy as np

# 设置矩阵

data = np.array([
    [[1, 2, 3], [1, 2, 3], [1, 2, 3]],
    [[1, 2, 3], [1, 2, 3], [1, 2, 3]],

])
# Returns 
# -------
# out : ndarray
# An array object satisfying the specified requirements.
# 打印数据的维度(2, 3, 3)第一个括号2个元素，每个元素的3个维度，每个维度里有3个元素维度
print(data.shape)  
print(data*3)

矩阵相乘：需要第一个矩阵的列数等于第二个举证行数

• 矩阵的点乘

matrix = np.array([
    [1, 2, 3],
    [2, 4, 6]

])

matrix2 = np.array([
    [3, 4],
    [6, 5],
    [6, 5]
])

# 矩阵的点乘(不能写*，而且要保持第一个的列等于第二个的行)

当矩阵出现以下的情况的时候，不满足点乘的需求则，会自动补1，刚好形成了线性回归的公式：

|x1|
|x2|
|x3|            |m|
|x4|     *      |b|
|x5|
|x6|
不满足矩阵点乘

补充后：

|x1|1|                      |mx1+b|
|x2|1|                      |mx2+b|
|x3|1|            |m|       |mx3+b|
|x4|1|     *      |b|    =  |mx4+b|
|x5|1|                      |mx5+b|
|x6|1|                      |mx6+b|

因此可得Feature * weight，此公式时偏导数中公式的一部分。

• 一次性求出偏导的矩阵公式

$$\frac{Featur{e}^T\ast ((Feature\ast Weight-Labels))}{n}$$

这里的Feature*Weight-Labels相当于偏导数中（mx+b）- Actual，Feature的转秩相当于用x和1分别呈上偏导数（mx+b）- Actual，则可以一次得出m和b。

代码如下：

data = np.array([
    [80, 200],
    [95, 230],
    [104, 245],
    [112, 274],
    [125, 259],
    [135, 262],
])
m = 1
b = 1

weight = np.array([
    [m],
    [b]
])

# 将label数组换算成矩阵
label = np.expand_dims(data[:, -1], axis=1)
featrue = np.append(data[:, 0:1], np.ones(shape=(6, 1)), axis=1)

learningrate = 0.00001


def grandentdecent():
    '''返回的array，矩阵第0行是对m的偏导,第1行对b的求导'''
    array = np.dot(featrue.T, (np.dot(featrue, weight) - label)) / len(featrue) * 2
    return array


def train():
    for i in range(1,3):
        result = grandentdecent()
        global weight
        weight = weight - result * learningrate
        print("数据m={},b={}".format(weight[0][0], weight[1][0]))
        if abs(weight[0][0]) < 0.5 and abs(weight[1][0]) < 0.5:
            break


train()
print("数据m={},b={}".format(weight[0][0], weight[1][0]))

首先初等数学运用了很多的for循环，导致时间成本加大很多，而矩阵运算节约了很多的时间成本，初等数学是在cpu中计算，而矩阵可以在gpu中进行运算。

• 多维度计算

data = np.loadtxt('cars.csv', delimiter=',', skiprows=1, usecols=(4, 5, 1))

m1 = 1
m2 = 1
b = 1

weight = np.array([
    [m1],
    [m2],
    [b]
])



# 将label数组换算成矩阵
label = np.expand_dims(data[:, -1], axis=1)
featrue = np.append(data[:, 0:2], np.ones(shape=(len(data), 1)), axis=1)

learningrate = 0.00001


def grandentdecent():
    '''返回的array，矩阵第0行是对m的偏导,第1行对b的求导'''
    array = np.dot(featrue.T, (np.dot(featrue, weight) - label)) / len(featrue) * 2
    return array


def train():
    for i in range(1, 30):
        result = grandentdecent()
        global weight
        weight = weight - result * learningrate
        print("数据m1={},m2={},b={}".format(weight[0][0], weight[1][0],weight[2][0]))
        if abs(weight[0][0]) < 0.5 and abs(weight[1][0]) and abs(weight[2][0])< 0.5:
            break

train()
print("数据m1={},m2={},b={}".format(weight[0][0], weight[1][0],weight[2][0]))

---

矩阵和图片

• 计算机图形变化

  • 引入画图的科学库

  # 引入可续图形库
  import matplotlib.pyplot as plt
  import numpy as np
  
  point = np.array([
      [1, 2],
      [5, 10],
      [6, 4],
      [13,10]
  ])
  
  plt.plot(point[:, 0], point[:, 1])
  plt.show()
  

  

  • 设置x和y的坐标轴

  # 指定x，y轴范围
  plt.xlim(-10, 10)
  plt.ylim(-10, 10)
  

  • 图像平移

  # 图形平移
  move = np.array([[1, 0]])
  new_point = point + move
  
  plt.plot(point[:, 0], point[:, 1])
  plt.plot(new_point[:, 0], new_point[:, 1])
  plt.show()
  

  

• 2D旋转

  $$\left|\begin{array}{c}{x}^{{}^{\prime }}\\ y^{{}^{\prime }}\end{array}\right|=\left|\begin{array}{cc}cos(\theta )& -sin(\theta )\\ sin(\theta )& cos(\theta )\end{array}\right|\left|\begin{array}{c}x\\ y\end{array}\right|$$

  # 引入可续图形库
  import matplotlib.pyplot as plt
  import numpy as np
  import math
  
  point = np.array([
      [1, 2],
      [5, 10],
      [6, 4],
      [13, 10]
  ])
  # 图形旋转公式，以原点为中心，旋转30度
  move = np.array([
      [math.cos(math.pi / 60), -math.sin(math.pi / 6)],
      [math.sin(math.pi / 6), math.cos(math.pi / 6)]
  ])
  
  new_point = np.dot(point, move.T)
  plt.plot(point[:, 0], point[:, 1])
  plt.plot(new_point[:, 0], new_point[:, 1])
  plt.show()
  

  

  如果翻转的话直接点乘上$\left|\begin{array}{cc}-1& 0\\ 0& -1\end{array}\right|$就可以进行图形的翻转。

---

🔗 前言
🔗 Python 高数列表
🔗 Python 高数篇 1
🔗 Python 高数篇 2
🔗 Python 高数篇 4