目录
1,np.array()将其它数据格式转换成numpy数据格式
2.2 np.random.random(size = ())生成随机小数
2.3 numpy.random.random_sample(size=None)生成随机小数
2.4 np.random.rand()和np.random.random(size = ())有什么区别?
2.5 np.random.randn() 生产标准正态分布
2.6 numpy.random.normal(loc=0,scale=1e-2,size=shape) 生成指定正态分布
2.7 np.random.randint(low, high = None, size = None,dtype = 'l')生成随机整数
2.8 np.random.random_integers(low,high = None,size = None) 生成闭区间随机整数
2.9 np.random.choice(a, size = None, replace = True, p = None) 从数组中选取随机数
2.10 np.set_printoptions()修改生成数据的小数位数,不建议修改配置文件
11,zeros_like,ones_like构建结构一样的矩阵,并且用0或者1填充
1,np.array()将其它数据格式转换成numpy数据格式
2,np.random随机数构建
参考博文:https://www.cnblogs.com/fpzs/p/10196950.html
2.1 np.random.rand()生成随机小数
生成指定维度的的[0,1)范围之间的随机数,输入参数为维度
2.2 np.random.random(size = ())生成随机小数
生成[0, 1)范围内的随机浮点数阵列,只有一个参数(矩阵大小)
2.3 numpy.random.random_sample(size=None)生成随机小数
生成[0, 1)范围内的随机浮点数阵列,只有一个参数(矩阵大小)
2.4 np.random.rand()和np.random.random(size = ())有什么区别?
相同点:两个函数都是在 [0, 1) 的均匀分布中产生随机数。
不同点:参数传递不同。random.random( )接收一个单独的元组,而random.rand( )接收分开的参数
两个函数功能完全一样,numpy为什么这么做,这是有历史原因的。可能是为了使 Matlab 用户更容易学习 python+numpy 的组合。把其中一个函数去掉,所带来的麻烦远大于好处,因为有很多现存的代码使用了函数的不同版本。
2.5 np.random.randn() 生产标准正态分布
生成指定维度的服从标准正态分布(0 ,1)的随机数,输入参数为维度
2.6 numpy.random.normal(loc=0,scale=1e-2,size=shape) 生成指定正态分布
生成指定均值,标准差的正态分布
- 参数loc(float):正态分布的均值,对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布,
- 参数scale(float):正态分布的标准差,对应分布的宽度,scale越大,正态分布的曲线越矮胖,scale越小,曲线越高瘦。
- 参数size(int 或者整数元组):输出的值赋在shape里,默认为None。
2.7 np.random.randint(low, high = None, size = None,dtype = 'l')生成随机整数
返回随机数或者随机数组成的array
- low,high(范围区间为[low,high)),low不可以>=high
- size,
- dtype(默认为int)
2.8 np.random.random_integers(low,high = None,size = None) 生成闭区间随机整数
返回范围为[low,high] 闭区间 随机整数
2.9 np.random.choice(a, size = None, replace = True, p = None) 从数组中选取随机数
从给定数组a中随机选择,p可以指定a中每个元素被选择的概率
2.10 np.set_printoptions()修改生成数据的小数位数,不建议修改配置文件
2.11 shuffle数据洗牌,可以用做打乱正负样本
2.12 np.random.seed()生成同一组随机数
类似给随机数做了一个标记,找到这个标记,就找到了这组随机数
3,arange等距离构建
4,linspace线性构建
5,logspace对数构建
6, zeros构造全0矩阵
注:构建多维,传入参数是元组
7,ones构建全1矩阵
注:构建多维,传入参数是元组
8,identity构建单位对角阵
注:
(1)对角线上只能是1
(2)只能是方阵
9,np.eye()
函数的原型:numpy.eye(N,M=None,k=0,dtype=<class 'float'>,order='C)
返回的是一个二维的数组(N,M),对角线的地方为1,其余的地方为0.
参数介绍:
(1)N:int型,表示的是输出的行数
(2)M:int型,可选项,输出的列数,如果没有就默认为N
(3)k:int型,可选项,对角线的下标,默认为0表示的是主对角线,负数表示的是低对角,正数表示的是高对角。
(4)dtype:数据的类型,可选项,返回的数据的数据类型
(5)order:{‘C’,‘F'},可选项,也就是输出的数组的形式是按照C语言的行优先’C',还是按照Fortran形式的列优先‘F'存储
9.1 构建对角矩阵
9.2 利用eye函数热编码
这个函数的用法并非单单制造一个对角矩阵,而是通过其来将一个label数组,大小为(1,m)或者(m,1)的数组,转化成one-hot数组。例如他可以将类别总数为6的labels=[1,2,3,0,1,1]的数组转化成数组[[0,1,0,0,0,0],[0,0,1,0,0,0],[0,0,0,1,0,0],[0,0,0,0,0,0],[0,1,0,0,0,0],[0,1,0,0,0,0]]这就是所谓的one-hot的形式
10,empty构建空矩阵,并填充数据
注:构建多维,传入参数是元组
11,zeros_like,ones_like构建结构一样的矩阵,并且用0或者1填充
注:在神经网络中,权重矩阵w1和w2的创建,往往需要参考神经元矩阵