深度学习入门（1）

声明：本笔记参考资料为《深度学习入门：基于Python的理论与实现》

一、导入numpy模块

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

如果不成功可能需要升级pip

python -m pip install --upgrade pip

导入是否成功可以用pip list命令查看

我的python版本是3.11 安装的numpy模块版本是1.26.4

二、N维数组

1.一维数组（向量）

import numpy as np
#这里的 import numpy as np，直译的话就是“将numpy作为np导入”的意思。
#通过写成这样的形式，之后NumPy相关的方法均可通过np来调用
x=np.array([1.0,2.0,3.0])#一维数组
print(x)#打印x数组
print(type(x))#x的类型   <class 'numpy.ndarray'>
y=np.array([2.0,4.0,6.0])
#数组之间的运算
print(x+y)
print(x-y)
print(x*y)
print(x/y)
#NumPy数组不仅可以进行element-wise运算，也可以和单一的数值（标量）组合起来进行运算。
#此时，需要在NumPy数组的各个元素和标量之间进行运算。
print(x/2)

2.二维数组（矩阵）

A=np.array([[1,2],[3,4]])#二维数组
print(A)
print(A.shape)#A的形状(2,2)
print(A.dtype)#A的数据类型  int32
print(A*10)#广播：10会被扩展成2*2的矩阵与A做乘法，广播使不同形状的矩阵之间也能做运算
B=np.array([10,20])
print(A*B)
print(B*A)

3.对于向量、矩阵、张量的定义

NumPy数组（np.array）可以生成N维数组，即可以生成一维数组、二维数组、三维数组等任意维数的数组。数学上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）。参考书中基本上将二维数组称为“矩阵”，将三维数组及三维以上的数组称为“张量”或“多维数组”。

3.广播

广播的规则
NumPy 的广播遵循以下规则：
规则一： 如果两个数组在维度上不匹配，那么数组的形状会沿着长度为1的维度进行扩展以匹配另一个数组的形状。
规则二： 如果两个数组在任何维度上的大小不一致，并且其中一个数组在该维度上的大小为1，则这个数组看起来会被复制扩展到与另一个数组相同的大小。
规则三： 如果在所有维度上大小都不匹配，并且没有任何一个维度等于1，则会引发错误。

4.访问元素

元素的索引从0开始。对各个元素的访问可按如下方式进行。

#使用索引访问
X=np.array([[51,55],[14,19],[0,4]])
print(X)#矩阵X
print(X[0])#X的第0行
print(X[0][1])#X的(0,1)元素

除了前面介绍的索引操作，NumPy还可以使用数组访问各个元素。

#使用数组访问
X=X.flatten()#将X转换为一维数组
print(X)
#结果为[51 55 14 19 0 4]
print(X[np.array([0,2,4])])#获取索引为0、2、4的元素
#结果为[51 14  0]
#要从X中抽出大于15的元素，可以写成如下形式。
print(X[X>15])
#结果为[51 55 19]