深度学习入门--基于Python的理论与实现--Python入门

语文天才高斯

已于 2025-04-08 20:43:25 修改

阅读量1.6k

点赞数 25

文章标签： python 开发语言人工智能深度学习

于 2025-04-04 10:00:00 首次发布

本文链接：https://blog.csdn.net/qq_62409311/article/details/146989797

版权

第一章 Python入门

1.1 Python是什么

Python 是一种高级编程语言，由 Guido van Rossum 于 1989 年创建，并在 1991 年正式发布。Python 具有以下特点：

易读易写：Python 语法简洁，代码可读性强，使开发者能够更专注于问题本身。
跨平台：Python 可以在 Windows、Linux 和 macOS 上运行，具有良好的可移植性。
丰富的库：Python 生态系统中包含大量的第三方库，如 NumPy、Pandas、Matplotlib 等，使得开发者可以快速构建应用程序。
动态类型：Python 是一种动态类型语言，不需要声明变量类型，运行时自动推断数据类型。

📌Python和C/C++区别？
C/C++为静态语言，这意味着编码时须声明变量类型，然后由编译器编译成机器码运行。

Python为动态语言，编码时无需声明变量类型，由解释器逐句将代码解释成机器码运行。

广泛应用：Python 被广泛应用于 Web 开发、数据分析、人工智能、深度学习等领域。

📌 为什么选择Python做深度学习？
相比C++/Java，Python语法简洁，代码可读性强，开发效率高，且主流深度学习框架（如TensorFlow、Pytorch）优先提供Python接口。

1.2 Python的安装

在学习 Python 之前，我们需要先安装 Python 解释器。

1.2.1 python版本

目前，Python 有两个主要版本：Python 2 和 Python 3。Python 2 已经停止维护，因此建议使用 Python 3 进行开发。

可以在 Python 官网下载适合自己操作系统的 Python 版本。安装完成后，可以通过以下命令检查 Python 版本：

python --version  # 或者
python3 --version

1.2.2 外部库

Python 自带了一些标准库，但在深度学习或其他开发应用中，我们通常需要安装一些第三方库，如 NumPy、Matplotlib、Pandas 等。可以使用 pip（Python 的包管理工具）来安装这些库，例如：

pip install numpy matplotlib pandas

📌 tips
或许你无法使用pip进行直接下载，此时你可以使用镜像源进行下载，例如使用清华源
pip install some-package -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple 

#将some-pakage替换成你想要下载的库即可

1.2.3 Anaconda

为了更好地控制Python版本及环境包，我们需要使用到Anaconda，这是一个包含 Python 及其常用数据科学库的发行版。Anaconda 适用于机器学习和深度学习开发，提供了更便捷的环境管理工具 conda。

📌 tips
如果你想要使用轻量级管理，可以考虑使用Miniconda(Miniconda下载)

可以在 Anaconda 官网下载 Anaconda，并通过以下命令检查是否安装成功：

conda --version

1.3 Python解释器

Python 解释器可以直接执行 Python 代码，例如，在终端或命令行输入以下代码：

print("Hello, Python!")

1.3.1 算术计算

Python 可以像计算器一样执行算术运算，例如：

print(3 + 5)   # 加法
print(10 - 4)  # 减法
print(6 * 7)   # 乘法
print(8 / 2)   # 除法
print(9 // 2)  # 整数除法
print(2 ** 3)  # 幂运算

1.3.2 数据类型

Python 具有多种内置数据类型，包括整数（int）、浮点数（float）、字符串（str）、布尔型（bool）等。例如：

x = 10        # 整数
y = 3.14      # 浮点数
z = "Python"  # 字符串
z = 'python'  # 字符串
b = True      # 布尔值

1.3.3 变量

Python 变量不需要显式声明类型，直接赋值即可：

name = "Alice"
age = 25
print(name, age)

1.3.4 列表

列表（list）是 Python 中常用的数据结构，可以存储多个元素，并支持索引访问：

numbers = [1, 2, 3, 4, 5]
print(numbers[0])  # 访问第一个元素
numbers.append(6)  # 添加元素
print(numbers)

1.3.5 字典

字典（dict）用于存储键值对，例如：

person = {"name": "Alice", "age": 25}
print(person["name"])

1.3.6 布尔型

布尔型用于逻辑判断：

print(5 > 3)  # 输出 True
print(2 == 4)  # 输出 False

1.3.7 if语句

Python 使用 if 语句进行条件判断：

x = 10
if x > 5:
    print("x 大于 5")
else:
    print("x 小于等于 5")

1.3.8 for语句

for 循环用于遍历列表等可迭代对象：

for i in range(5):
    print(i)

1.3.9 函数

Python 使用 def 关键字定义函数：

def add(a, b):
    return a + b

print(add(3, 5))

1.4 Python脚本文件

1.4.1 保存为文件

虽然可以直接在python解释器下编写程序运行，但是那样会些许麻烦，所以可以将 Python 代码保存为 .py 文件，例如 script.py，然后使用以下命令运行：

# 训练脚本示例
import numpy as np

def train_model():
    print("Training started...")

if __name__ == '__main__':
    train_model()

python script.py

1.4.2 类

Python 支持面向对象编程，可以使用 class 定义类：

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def greet(self):
        print(f"Hello, my name is {self.name}.")

p = Person("Alice", 25)
p.greet()

1.5 NumPy

NumPy 是 Python 中用于科学计算的库，提供了高效的多维数组操作。

1.5.1 导入NumPy

import numpy as np

1.5.2 生成NumPy数组

a = np.array([1, 2, 3])  # 一维数组
b = np.zeros((3, 3))     # 3x3零矩阵
c = np.arange(10)        # 类似range(10)

1.5.3 NumPy的算术运算

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)  # 逐元素加法 → [5, 7, 9]    减法同理，可自行尝试

x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
print(x * y)  # 逐元素乘法 → [4, 10, 18]    除法同理，可自行尝试

1.5.4 NumPy的N维数组

matrix = np.array([[1, 2], [3, 4]])
print(matrix.shape)  # 输出维度 → (2, 2)

1.5.5 广播

a = np.array([[1], [2], [3]])
b = np.array([10, 20])
print(a + b)  # 广播相加 → [[11,21], [12,22], [13,23]]

1.5.6 访问元素

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[1, 2])   # 第2行第3列 → 6
print(arr[:, 1:3]) # 所有行的2-3列 → [[2,3], [5,6]]

1.6 Matplotlib

1.6.1 绘制简单图形

import matplotlib.pyplot as plt

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title("Sine Wave")
plt.show()

1.6.2 pyplot的功能

# 多子图绘制
plt.subplot(1, 2, 1)  # 1行2列的第1个
plt.plot(x, np.sin(x))

plt.subplot(1, 2, 2)
plt.plot(x, np.cos(x))
plt.show()

1.6.3 显示图像

from PIL import Image
img = np.array(Image.open('cat.jpg'))
plt.imshow(img)
plt.axis('off')  # 隐藏坐标轴
plt.show()

1.7 小结

本章介绍了 Python 的基础知识，包括 Python 的安装、基本语法、控制结构、数据类型、面向对象编程，以及 NumPy 和 Matplotlib 的基本使用。在掌握这些内容后，我们可以进一步学习深度学习相关的内容。

知识点	关键用途
Python基础	控制流程、函数定义
NumPy	张量操作、广播机制
Matplotlib	损失曲线可视化、数据分布展示

在接下来的系列中，我将手把手带你从零实现神经网络——仅用Python和NumPy，无需任何框架依赖。我们将像拆解时钟一样，逐层剖析这个'神秘'的算法：从最简单的感知机开始，一步步实现前向传播、反向传播，最终搭建出一个能识别手写数字的完整神经网络。你会发现，深度学习的核心原理，原来如此直观而美妙！