NNDL实验一 numpy基础习题

---

前言

新学期，我们的神经网络与深度学习实验会上传在CSDN上。

本篇文章是第一周的实验内容：numpy的基础习题。想要一起学习的同学一起加油哦(ง •_•)ง

---

一、numpy 的array操作

1.导入numpy库

import numpy as np

一般将numpy定义为np，便于后续的调用

可以使用

print(np.__version__)

来查看numpy的版本，我这里使用的版本是1.23.1

2.建立一个一维数组 a 初始化为[4,5,6], (1)输出a 的类型（type）(2)输出a的各维度的大小（shape）(3)输出 a的第一个元素（值为4）

使用np.array来初始化数组，可以创建一维数组，也可以创建二维数组，也可以创建n维数组

a = np.array([4, 5, 6])
print(a.dtype)
print(a.shape)
print(a[0])

运行结果：
int32
(3,)
4

3.建立一个二维数组 b,初始化为 [ [4, 5, 6],[1, 2, 3]] (1)输出各维度的大小（shape）(2)输出 b(0,0)，b(0,1),b(1,1) 这三个元素（对应值分别为4,5,2）

可以直接采用调用下标的方法来调用元素

b = np.array( [ [4, 5, 6],[1, 2, 3]])
print(b.shape)
print(b[0][0], b[0][1], b[1][1])

运行结果：
(2, 3)
4 5 2

4. (1)建立一个全0矩阵 a, 大小为 3x3; 类型为整型（提示: dtype = int）(2)建立一个全1矩阵b,大小为4x5; (3)建立一个单位矩阵c ,大小为4x4; (4)生成一个随机数矩阵d,大小为 3x2.

使用zeros来定义一个全为0的数组，使用ones来定义全为1的数组，使用identity来定义单位矩阵

a = np.zeros((3, 3), dtype=int)
b = np.ones((4, 5), dtype=int)
c = np.identity((4), dtype=int)
d = np.random.randint(1, 10, dtype=int, size=(3, 2))
print(a)
print(b)
print(c)
print(d)

运行结果：
[[0 0 0]
[0 0 0]
[0 0 0]]
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
[[1 0 0 0]
[0 1 0 0]
[0 0 1 0]
[0 0 0 1]]
[[7 1]
[7 7]
[5 1]]

5. 建立一个数组 a,(值为[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]] ) ,(1)打印a; (2)输出 下标为(2,3),(0,0) 这两个数组元素的值

a = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9, 10, 11, 12]])
print(a)
print(a[2, 3], a[0, 0])

运行结果：
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
12 1

6.把上一题的 a数组的 0到1行 2到3列，放到b里面去，（此处不需要从新建立a,直接调用即可）(1),输出b;(2) 输出b 的（0,0）这个元素的值

b = a[0:2, 1:3]
print(b)
print(b[0][0])

运行结果：
[[2 3]
[6 7]]
2

7. 把第5题中数组a的最后两行所有元素放到 c中，（提示： a[1:2, :]）(1)输出 c ; (2) 输出 c 中第一行的最后一个元素（提示，使用 -1 表示最后一个元素）

c = a[1:3, : ]
print(c)
print(c[0][-1])

运行结果：
[[ 5 6 7 8]
[ 9 10 11 12]]
8

8.建立数组a,初始化a为[[1, 2], [3, 4], [5, 6]]，输出 （0,0）（1,1）（2,0）这三个元素（提示： 使用 print(a[[0, 1, 2], [0, 1, 0]]) ）

a = np.array([[1, 2], [3, 4], [5, 6]])
print(a[[0, 1, 2], [0, 1, 0]])

运行结果：
[1 4 5]

9.建立矩阵a ,初始化为[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]，输出(0,0),(1,2),(2,0),(3,1) (提示使用 b = np.array([0, 2, 0, 1]) print(a[np.arange(4), b]))

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
b = np.array([0, 2, 0, 1])
print(a[np.arange(4), b])

运行结果：
[ 1 6 7 11]

10.对9 中输出的那四个元素，每个都加上10，然后重新输出矩阵a.(提示： a[np.arange(4), b] += 10 ）

a[np.arange(4), b] += 10
print(a)

运行结果：
[[11 2 3]
[ 4 5 16]
[17 8 9]
[10 21 12]]

二、array 的数学运算

11. 执行 x = np.array([1, 2])，然后输出 x 的数据类型

x = np.array([1, 2])
print(x.dtype)

运行结果：
int32

12.执行 x = np.array([1.0, 2.0]) ，然后输出 x 的数据类类型

x = np.array([1.0, 2.0]) 
print(x.dtype)

运行结果：
float64

13.执行 x = np.array([[1, 2], [3, 4]], dtype=np.float64) ，y = np.array([[5, 6], [7, 8]], dtype=np.float64)，然后输出 x+y ,和 np.add(x,y)

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x+y)
print(np.add(x, y))

运行结果：
[[ 6. 8.]
[10. 12.]]
[[ 6. 8.]
[10. 12.]]

14. 利用 13题目中的x,y 输出 x-y 和 np.subtract(x,y)

print(x-y)
print(np.subtract(x,y))

运行结果：
[[-4. -4.]
[-4. -4.]]
[[-4. -4.]
[-4. -4.]]

15. 利用13题目中的x，y 输出 x*y ,和 np.multiply(x, y) 还有 np.dot(x,y),比较差异。然后自己换一个不是方阵的试试。

print(x*y)
print(np.multiply(x, y))
print(np.dot(x,y))

运行结果：
[[ 5. 12.]
[21. 32.]]
[[ 5. 12.]
[21. 32.]]
[[19. 22.]
[43. 50.]]
差异：x*y和np.multiply(x, y)都是对应元素相乘，np.dot(x,y)是矩阵相乘。

如果x， y不是方阵：

x = np.array([[1, 2, 3],
              [4, 5, 6]])
y = np.array([[1, 2, 3],
              [4, 5, 6]])
print(x*y)
print(np.multiply(x, y))

运行结果：
[[ 1 4 9]
[16 25 36]]
[[ 1 4 9]
[16 25 36]]

np.dot()是矩阵相乘，所以x的行数需要等于y的列数，所以此时的x和y是不可以使用np.dot的

x = np.array([[1, 2, 3],
              [4, 5, 6]])
y = np.array([[1, 2],
              [3, 4],
              [5, 6]])
print(np.dot(x, y))

运行结果：
[[22 28]
[49 64]]

16. 利用13题目中的x,y,输出 x / y .(提示 ： 使用函数 np.divide())

print(x/y)
print(np.divide(x, y))

运行结果：
[[0.2 0.33333333]
[0.42857143 0.5 ]]
[[0.2 0.33333333]
[0.42857143 0.5 ]]

17. 利用13题目中的x,输出 x的 开方。(提示： 使用函数 np.sqrt() )

print(np.sqrt(x))

运行结果：
[[1. 1.41421356]
[1.73205081 2. ]]

18.利用13题目中的x,y ,执行 print(x.dot(y)) 和 print(np.dot(x,y))

print(x.dot(y))
print(np.dot(x,y))

运行结果：
[[19. 22.]
[43. 50.]]
[[19. 22.]
[43. 50.]]

19.利用13题目中的 x,进行求和。提示：输出三种求和 (1)print(np.sum(x)): (2)print(np.sum(x，axis =0 )); (3)print(np.sum(x,axis = 1))

print(np.sum(x))
print(np.sum(x,axis=0))
print(np.sum(x,axis=1))

运行结果：
10.0
[4. 6.]
[3. 7.]

20.利用13题目中的 x,进行求平均数（提示：输出三种平均数(1)print(np.mean(x)) (2)print(np.mean(x,axis = 0))(3) print(np.mean(x,axis =1))）

print(np.mean(x))
print(np.mean(x,axis=0))
print(np.mean(x,axis=1))

运行结果：
2.5
[2. 3.]
[1.5 3.5]

21.利用13题目中的x，对x 进行矩阵转置，然后输出转置后的结果，（提示： x.T 表示对 x 的转置）

x = x.T
print(x)

运行结果：
[[1. 3.]
[2. 4.]]

22.利用13题目中的x,求e的指数（提示： 函数 np.exp()）

print(np.exp(x))

运行结果：
[[ 2.71828183 7.3890561 ]
[20.08553692 54.59815003]]

23.利用13题目中的 x,求值最大的下标（提示(1)print(np.argmax(x)) ,(2) print(np.argmax(x, axis =0))(3)print(np.argmax(x),axis =1))

x = np.array([[1, 2], [3, 4]], dtype=np.float64)

print(np.argmax(x)) # 矩阵x最大值的索引（下标以一维矩阵方式排序）
print(np.argmax(x, axis=0)) # 矩阵x每列对应最大值的索引
print(np.argmax(x, axis=1)) # 矩阵x每行对应最大值的索引

运行结果：
3
[1 1]
[1 1]

24,画图，y=x*x 其中 x = np.arange(0, 100, 0.1) （提示这里用到 matplotlib.pyplot 库）

记得导入matplotlib的包哦，如果觉得下载慢的话，可以选择使用清华的源https://pypi.tuna.tsinghua.edu.cn/simple

import matplotlib.pyplot as plt

x = np.arange(0, 100, 0.1)
y = x * x
plt.plot(x, y)
plt.show()

运行结果：

25.画图。画正弦函数和余弦函数， x = np.arange(0, 3 * np.pi, 0.1)(提示：这里用到 np.sin() np.cos() 函数和 matplotlib.pyplot 库)

正弦函数：

x = np.arange(0, 3 * np.pi, 0.1)
y = np.sin(x)
plt.plot(x, y)
plt.show()

运行结果：

余弦函数：

x = np.arange(0, 3 * np.pi, 0.1)
y = np.cos(x)
plt.plot(x, y)
plt.show()

运行结果：

以上就是第一周的实验内容了。

希望本篇文章真的能给你带来收获，你的点赞和评论将是我持续创作的巨大动力。