吴恩达深度学习教程作业1.3——出现的函数汇总

学习python时，遇到库中不会的函数可以访问该库的官网，如numpy的官网http://www.numpy.org/

1.load_planar_dataset()

（1）np.random.seed():使得随机数据可预测。可以使得多次生成的随机数相同。（注：numpy.random()具体用法见下面。）

例如：

import numpy as np
np.random.seed(1)
x1=np.random.rand(4)
print(x1)
np.random.seed(1)
x2=np.random.rand(4)
print(x2)

输出结果为：

而如果：

import numpy as np

x1=np.random.rand(4)
print(x1)

x2=np.random.rand(4)
print(x2)

输出结果为：

（2）np.zeros(shape,dtype=float,order='C')

功能：返回给定形状和类型的用0填充的新数组

参数：shape:数组的形状

          dtype:数据类型，是一个可选参数。默认为numpy.float64.如有需要可以设置为例numpy.int8.

         order:是否在内存中以C或Fortran连续顺序存储多维数据。是一个可选参数。C代表与C语言类似，行优先；F代表列优先。

（3）for in range（m,n）——python中的这个用法相当于C语言中的for(i=m i<n i++)

import numpy as np
for i in range(2,5):
    print(i)

输出结果为：

import numpy as np
for i in range(5):
    print(i)

输出结果为：

（3）numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

      在执行的时间间隔内返回均匀间隔的数字。

      返回num均匀分布的样本，在[start, stop]。

      间隔的终点可以选择性的排除。

Parameters：   

      start：标量，序列的起始点。

      stop：标量。序列的结束值，除非endpoint被设置为False。 在这种情况下，序列由除 num + 1个均匀间隔样本中的最后一个 以外的所有样本组成（这句话太绕了，看个下面的例子就明白啦），因此stop点被剔除。 请注意，当端点为False时，步长会改变。

      num：生成的样本数。int。默认为50。

      endpoint：bool型变量，可选参数。如果设置为True，则得到序列包含stop值，如为False则反之。

      retstep：如果设置为True，则返回值为（samples，step），step是样本之间的间距。

      dtype：输出数组的类型。如果没有给出，则从其他输入参数推断。

Returns：   （samples，step）   只有restep为True的时候才会返回step。

import numpy as np
array1=np.linspace(1,10,10)
array2=np.linspace(1,10,10,endpoint= False)
array3=np.linspace(1,10,10,endpoint=False,retstep=True )
print(array1,'\n' ,array2,'\n',array3)

运行结果为：

（4）numpy.c_

功能：将切片对象沿第二个轴（列）转换为连接，请看例子。

import numpy as np
x1=np.c_[np.array([1,2,3]), np.array([4,5,6])]
x2=np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]
print(x1,'\n',x2)

运行结果为：

（5）plt.scatter()的原型函数是

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

例子：plt.scatter(X[0, :], X[1, :], c=np.squeeze(Y), s=40, cmap=plt.cm.Spectral)

Parameters:

      x,y：数组，输入数据。

      s：size，点的大小。

      c：color。可以是颜色字符串，如'b' , 'y' , 'r'等，也可以是数组。这个例子中，c=Y就是一个数组。如果是数组，就用后面的cmap参数，cmap参数颜色映射，当使用cmap=plt.cm.Spectral时，会自动的根据类别，比如这个例子里是一个二元分类问题，那么这个函数会给label 1一种颜色，label 0设置另一种颜色。

      maker：点的形状，默认是'o'。

      cmap：仅当c是一个浮点数组时才使用cmap。 如果为None，则默认为rc image.cmap。

（6）np.squeeze() 

      功能：除去size为1的维度。

举例说明：

import numpy as np
x1 = np.array([[0],[1],[2]])
x2 = np.array([[[0],[1],[2]]])
print(x1,'\n' ,x2)
print(x1.shape,x2.shape)

运行结果：

继续：

x11=np.squeeze(x1)
x22=np.squeeze(x2)
print(x11,'\n' ,x22)
print(x11.shape,x22.shape)

运行结果：

（7）sklearn.linear_model.LogisticRegressionCV()

功能：使用scikit_learn中的逻辑回归分类器。（通过计算真实值与预测值的概率，求损失函数最小值来计算模型参数，从而得出模型。）这里的参数均设置成了默认值。

        clf.fit(X.T, Y.T)

功能：用训练数据拟合分类器模型。

       clf.predict()：用训练好的分类器去预测标签。

（8）np.dot()

功能：对于秩为1的数组，执行对应位置相乘，然后再相加；对于秩不为1的二维数组，执行矩阵乘法运算；超过二维的可以参考numpy库介绍。

（9）X.shape()

功能：用于确定各个维度的维数。

举例：

如，对于二维数组：

import numpy as np
x = np.array([[1,2,3], [4,5,6]])
print(x.shape,'\n',x.shape[0],'\n',x.shape[1])

运行结果：

对于三维数组：

import numpy as np
x = np.array([[[1,2,3], [4,5,6]]])
print(x.shape,'\n',x.shape[0],'\n',x.shape[1],'\n',x.shape[2])

运行结果：

可见，若对于更高维的数组，随着shape[ ]的逐渐递增，其返回的结果依次为从最内维到最外维。

（10）assert ( )断言函数

功能：括号中加入语句，用于判断语句是否为真，若为假，则会引发AssertionError。作用是语气让程序在晚些时候崩溃，不如在错误条件发生的时候直接崩溃，提高效率。

（11）isinstance()

功能：用于判断对象是否为一个已知的类型。

例如：isinstance(2,int)，输出结果为True。