深度学习入门：基于Python的理论与实现——第一章——python入门（Numpy、Matplotlib）

本文链接：https://blog.csdn.net/qq_43575777/article/details/134818044

第1章——python入门（Numpy、Matplotlib）

一，Numpy。Numpy的数组类（numpy.array）中提供了很多便捷的方法，在实现深度学习时，我们将使用这些方法

导入Numpy：import numpy as np（“将numpy作为np导入”，需要事先安装好numpy包）

生成Numpy数组

要生成Numpy数组，需要使用np.array()方法。np.array()接收Python列表作为参数，生成Numpy数组（numpy.ndarray）

Numpy的算术运算
```
import numpy as np
# numpy的部分用法演示
A = np.array([1.0, 2.0, 3.0])
B = np.array([2.0, 4.0, 6.0])
print(A + B)
print(A - B)
# 这里的运算规则与线性代数中的矩阵乘法不同，这里是对应位置元素的运算。需要保证x和y中的元素个数相同，否则会报错
print(A * B)
print(A / B)

A = np.array([[1, 2], [3, 4], [5, 6]])
B = np.array([[1, 2, 3], [4, 5, 6]])
# 在numpy中，使用*运算符执行的是元素级别的乘法，而不是矩阵乘法。因此，当尝试执行A*B时，由于数组A和B的形状不符合广播规则，会导致无法正常运行
# print(A * B)
# 要执行矩阵乘法，可以使用np.dot函数或@运算符
print(np.dot(A, B), end="\n\n")
print(A @ B, end="\n\n")
```
补充：矩阵的运算：

（1）加减运算要求同型矩阵（拥有相同的行数和列数）

（2）矩阵乘以或者除以一个常数，表示矩阵中所有的元素乘以或者除以这个常数

（3）矩阵A乘以矩阵B，需要满足A的列数等于B的行数，否则无意义。

（4）各种运算律：

①矩阵乘法运算一般不满足交换律，比如AB≠BA

②不满足消去律，如AB=AC且A≠0，不能得到B=C

③AB=0不能得到A=0或B=0

④满足结合律，如ABC=（AB）C=A（BC）

⑤满足分配率，如A（B+C）=AB+AC，（A+B）C=AC+BC

（5）方阵的乘幂，如A²=A×A（要求A的行数和列数相同，即A为方阵）

（6）转置：在矩阵右上角写大写的T表示转置，矩阵的第n行变为第n列

（7）转置的一些性质：

①矩阵连续转置两次等于它本身

②（A+B）的转置＝A的转置+B的转置

③kA的转置等于k倍的A的转置

④AB的转置＝B的转置乘以A的转置

⑤如果A=A的转置，则称A为对称矩阵（如对角矩阵）

Numpy的N维数组

Numpy不仅可以生成一维数组，也可以生成多维数组，比如：
```
print(A)
print(A.shape)
print(A.dtype, end="\n\n")
```
数学上一般将一维数组称为向量，将二维数组称为矩阵。另外，可以将一般化之后的向量或矩阵等统称为张量（tensor）

广播

Numpy中，形状不同的数组之间也可以进行运算。如之前的2×2的矩阵A乘以标量10，可以看做标量10被扩展成了2×2的形状，然后再与矩阵A进行乘法运算，这个巧妙的功能称为广播。综上，因为Numpy有广播功能，所以不同形状的数组之间也可以顺利地进行运算

访问元素

元素的索引从0开始，可以通过索引进行访问，也可以使用for语句访问各个元素。Numpy还可以使用数组访问各个元素。如：

print(A[0])
print(A[0][1])
for i in A:
    print(i)

# 将A转化为一维数组
C = A.flatten()
print(C, end="\n\n")
print(C[np.array([0, 2, 4])], end="\n\n")

# 获取满足一定条件的元素
print(C > 3)
print(C[C > 3])

二，Matplotlib。在深度学习的实验中，图形的绘制和数据的可视化非常重要。Matplotlib是用于绘制图形的库，使用Matplotlib可以轻松地绘制图形和实现数据的可视化。

绘制简单图形。可以使用Matplotlib的pyplot模块绘制图形。如绘制sin函数曲线：

import numpy as np
import matplotlib.pyplot as plt
# 生成数据
x=np.arange(0, 6, 0.1) # 以0.1为单位，生成0到6的数据
y=np.sin(x)
# 绘制图形
plt.plot(x,y)
plt.show()

pyplot的功能

在刚才的sin函数图像中，尝试追加cos函数的图形，并尝试使用pyplot的添加标题和x轴标签名等其他功能

# matplotlib的部分用法演示
# 生成数据
x = np.arange(0, 6, 0.1)  # 以0.1为单位，生成0到6的数据
y1 = np.sin(x)
y2 = np.cos(x)
# 绘制图形
plt.plot(x, y1, label="sin")
plt.plot(x, y2, label="cos", linestyle="--")  # 用虚线绘制
plt.xlabel("x")  # x轴标签
plt.ylabel("y")  # y轴标签
plt.title('sin & cos')  # 标题
plt.legend()  # 显示图例
plt.show()

显示图像

pyplot中还提供了用于显示图像的方法imshow()。另外，可以使用matplotlib.image模块的imread()方法读入图像
```
from matplotlib.image import imread
img = imread('D:/Users/YHW/Desktop/需求层次.jpg')
plt.imshow(img)
plt.show()
```