杂记（二）：深度学习中需要注意的Python语句

1.np.multiply和np.dot的区别：

①  同线性代数中矩阵乘法的定义： np.dot()
np.dot(A, B)：对于二维矩阵，计算真正意义上的矩阵乘积，同线性代数中矩阵乘法的定义。对于一维矩阵，计算两者的内积。
② 对应元素相乘 element-wise product: np.multiply(), 或 *

在Python中，实现对应元素相乘，有2种方式，一个是np.multiply()，另外一个是*。

详细参见：

https://blog.csdn.net/u012609509/article/details/70230204

2.np.exp和math.exp()的区别：

math.exp()只对标量（有些物理量，只具有数值大小，而没有方向）执行，np.exp可用于向量或者矩阵。

3.关于np.linalg.norm：

参考https://blog.csdn.net/hqh131360239/article/details/79061535

4.numpy.random.seed()的使用：

作用：使得随机数据可预测。

关于此语句的测试：

import numpy as np

np.random.seed(5) 
W1 = np.random.randn(5, 4) * 0.01 
np.random.seed(5) 
W2 = np.random.randn(5, 4) * 0.01 

print  ('w1 %d '+str( W1))
print  ('w2 %d '+str( W2))

import numpy as np

np.random.seed(5) 
W1 = np.random.randn(5, 4) * 0.01 
W2 = np.random.randn(5, 4) * 0.01 

print  ('w1 %d '+str( W1))
print  ('w2 %d '+str( W2))

import numpy as np

np.random.seed(5) 
W1 = np.random.randn(5, 4) * 0.01 
np.random.seed(6) 
W2 = np.random.randn(5, 4) * 0.01 

print  ('w1 %d '+str( W1))
print  ('w2 %d '+str( W2))

5.numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

在指定的间隔内返回均匀间隔的数字。返回num均匀分布的样本，在[start, stop]。numpy.linspace使用详解：https://blog.csdn.net/you_are_my_dream/article/details/53493752

6.matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

绘制散点图，其中x和y是相同长度的数组序列

matplotlib.pyplot.scatter使用详解：https://blog.csdn.net/anneqiqi/article/details/64125186

注意参数c：

7.注意：在整合模型的时候要把每个图像显示前面加上plt.figure，新建图像显示框，和MATLAB里面的figure一样，否则后面的图像会和前面的图像叠加显示。

8.  

numpy.random.randn()与rand()的区别；

numpy中有一些常用的用来产生随机数的函数，randn()和rand()就属于这其中。 
numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。 
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中。

可用于超参数α的随机选点