机器学习笔记之Numpy与张量

张量

张量是矩阵向任意维度的推广(张量的维度通常叫轴）
仅含一个数字的张量叫标量（0D张量）

查看Numpy张量轴

# 0D
x = np.array(12)
print(x)
print(x.ndim)

# 1D
x = np.array([12, 3, 6, 14, 7])
print(x)
print(x.ndim)

# 2D
x = np.array([[1, 2, 3, 4, 5],
              [4, 5, 6, 7, 8]])
print(x)
print(x.ndim)

# 3D
x = np.array([[[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]],
             [[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]],
             [[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]]])
print(x)
print(x.ndim)

张量形状与数据类型

形状是一个整数元组
例如：

# 2D
x = np.array([[1, 2, 3, 4, 5],
              [4, 5, 6, 7, 8]])
print(x)
print(x.shape)

输出是（2， 5）

数据类型可以是float32， unit8， float64

逐元素相乘（与.dot点乘不同）

例如B维度：(3,3),C维度（3,1）
B*C维度（3，3）运用到了广播机制（将C复制两列然后逐元素相乘）
例：

import numpy as np
B = np.array([[1, 1, 1],
              [2, 2, 2],
              [3, 3, 3]])

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

# 逐元素相乘
D = B*C
print(D)

相关函数

np.random.randn(n)

生成五个随机高斯变量

np.exp(z)

表示e的z次方

np.insert()函数

np.insert(x, 0, values=1,axis=1)
axis = 0: 表示竖直
axis = 1：表示水平
0：表示插入的索引值
value：插入的值

最终在每一行第一个位置插入1

import numpy as np

x = np.array([[2, 3, 4, 5],
              [5, 6, 7, 8]])

x = np.insert(x, 0, values=1,axis=1)
print(x)

np. argmax()

axis = 1 （行）
np.argmax(a, axis=1)：
返回行最大值的索引

例如：

import numpy as np
a = np.array([[1, 5, 5, 2],
              [9, 6, 2, 8],
              [3, 7, 9, 1]])
print(np.argmax(a, axis=1))

np.mean()

1.可以用来预测准确率：
可计算预测值与实际值相等所占比例
例如;

import numpy as np
y  = np.array([1, 0, 0, 1, 1])
y1 = np.array([1, 0, 1, 0, 0])
acc = np.mean(y==y1)
print(acc)

np.linalg.norm()

可用于计算m个点分别到k个点距离
例：（1,1）（3,4）(5,12)分别到（0,0）（1，1）（2,2）距离

import numpy as np

li= np.array([[1, 1],
              [3, 4],
              [5, 12]])

centro = np.array([[0, 0],
                   [1, 1],
                   [2, 2]])

for i in range(len(li)):
    distance = np.linalg.norm((li[i]-centro), axis=1)
    print(distance)

np.squeeze()

可以将矩阵转化为列表
例：

import numpy as np

X = np.array([[1],
              [2],
              [3],
              [4]])
print(X)
x = np.squeeze(X)
print(x)