Numpy混淆点理解

最新推荐文章于 2022-10-20 16:33:42 发布

wangke0809

最新推荐文章于 2022-10-20 16:33:42 发布

阅读量404

点赞数

分类专栏：学习研究文章标签： numpy 机器学习 class

本文链接：https://blog.csdn.net/wangke0809/article/details/78288384

版权

学习研究专栏收录该内容

4 篇文章 0 订阅

订阅专栏

Numpy 混淆点理解

在学习吴恩达老师机器学习课程中遇到了几个迷惑的地方，顺便动手实验记录备忘。

shape

可以类比TensorFlow里张量理解。举个例子，shape（x ,y ,z），加入有一整块大空间，这一整块空间被装进了一个巨大的箱子，首先把他分成x份，每一份用一个箱子装起来。然后每个箱子里的空间再分成y份，每一份再用一个箱子装起来。然后每箱子里的空间分开成z份，没个z份在一个箱子里面装着。那么可以说这个shape有3个维度（或者轴）。假入x,y,z为4，3，2：

import numpy as np

big_big_box = np.ones([4,3,2])
big_box = big_big_box[0]
box = big_box[0]
print('------------')
print(big_big_box)
print('------------')
print(big_box)
print('------------')
print(box)
print('------------')

------------
[[[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]

 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]

 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]

 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]]
------------
[[ 1.  1.]
 [ 1.  1.]
 [ 1.  1.]]
------------
[ 1.  1.]
------------

用一对中括号[ ]表示一个箱子，可以看到这个大箱子的结构如上所示。

reshape

reshape就是在总空间数（元素数）不变的情况下对其进行重新装箱。为了有对比，首先随机生成一个[4 ,3, 2]的大箱子

big_big_box = np.random.random([4,3,2])
big_box = big_big_box[0]
box = big_box[0]
print('------------')
print(big_big_box)
print('------------')
print(big_box)
print('------------')
print(box)
print('------------')

------------
[[[ 0.57147915  0.20856683]
  [ 0.24160326  0.91972301]
  [ 0.84122294  0.50314707]]

 [[ 0.10866992  0.37181455]
  [ 0.64949617  0.07105958]
  [ 0.95536348  0.01871577]]

 [[ 0.39776123  0.86779423]
  [ 0.73960679  0.5238423 ]
  [ 0.73531635  0.07187795]]

 [[ 0.51312551  0.47686621]
  [ 0.9699309   0.97417971]
  [ 0.43582324  0.47256879]]]
------------
[[ 0.57147915  0.20856683]
 [ 0.24160326  0.91972301]
 [ 0.84122294  0.50314707]]
------------
[ 0.57147915  0.20856683]
------------

把箱子里面的每个元素都拿出来，装大一个大箱子里，注意观察顺序！

box1 = big_big_box.reshape(4*3*2)

print(box1)

[ 0.57147915  0.20856683  0.24160326  0.91972301  0.84122294  0.50314707
  0.10866992  0.37181455  0.64949617  0.07105958  0.95536348  0.01871577
  0.39776123  0.86779423  0.73960679  0.5238423   0.73531635  0.07187795
  0.51312551  0.47686621  0.9699309   0.97417971  0.43582324  0.47256879]

假如装进大两个箱子里，注意观察顺序

box2 = big_big_box.reshape(2, 4*3)

print(box2)

[[ 0.57147915  0.20856683  0.24160326  0.91972301  0.84122294  0.50314707
   0.10866992  0.37181455  0.64949617  0.07105958  0.95536348  0.01871577]
 [ 0.39776123  0.86779423  0.73960679  0.5238423   0.73531635  0.07187795
   0.51312551  0.47686621  0.9699309   0.97417971  0.43582324  0.47256879]]

装进3个呢？

box3 = big_big_box.reshape(3, 4*2)

print(box3)

[[ 0.57147915  0.20856683  0.24160326  0.91972301  0.84122294  0.50314707
   0.10866992  0.37181455]
 [ 0.64949617  0.07105958  0.95536348  0.01871577  0.39776123  0.86779423
   0.73960679  0.5238423 ]
 [ 0.73531635  0.07187795  0.51312551  0.47686621  0.9699309   0.97417971
   0.43582324  0.47256879]]

可以发现每次装箱，每个元素的顺序是不发生改变的，只不过每个元素所属的箱子不同了。

# 负数表示自动推算维度
box4 = box3.reshape(2,-1)
box5 = box3.reshape(4,-1)
box6 = box3.reshape(6,-1)
box7 = box3.reshape(2,2,-1)
print(box4)
print('-----------')
print(box5)
print('-----------')
print(box6)
print('-----------')
print(box7)

[[ 0.57147915  0.20856683  0.24160326  0.91972301  0.84122294  0.50314707
   0.10866992  0.37181455  0.64949617  0.07105958  0.95536348  0.01871577]
 [ 0.39776123  0.86779423  0.73960679  0.5238423   0.73531635  0.07187795
   0.51312551  0.47686621  0.9699309   0.97417971  0.43582324  0.47256879]]
-----------
[[ 0.57147915  0.20856683  0.24160326  0.91972301  0.84122294  0.50314707]
 [ 0.10866992  0.37181455  0.64949617  0.07105958  0.95536348  0.01871577]
 [ 0.39776123  0.86779423  0.73960679  0.5238423   0.73531635  0.07187795]
 [ 0.51312551  0.47686621  0.9699309   0.97417971  0.43582324  0.47256879]]
-----------
[[ 0.57147915  0.20856683  0.24160326  0.91972301]
 [ 0.84122294  0.50314707  0.10866992  0.37181455]
 [ 0.64949617  0.07105958  0.95536348  0.01871577]
 [ 0.39776123  0.86779423  0.73960679  0.5238423 ]
 [ 0.73531635  0.07187795  0.51312551  0.47686621]
 [ 0.9699309   0.97417971  0.43582324  0.47256879]]
-----------
[[[ 0.57147915  0.20856683  0.24160326  0.91972301  0.84122294  0.50314707]
  [ 0.10866992  0.37181455  0.64949617  0.07105958  0.95536348  0.01871577]]

 [[ 0.39776123  0.86779423  0.73960679  0.5238423   0.73531635  0.07187795]
  [ 0.51312551  0.47686621  0.9699309   0.97417971  0.43582324  0.47256879]]]

axis

在np.sum，np.linalg.norm,函数中，有一个参数axis，指定运算的轴，如果没有次参数默认都每一个元素运算，指定后对该轴运算，这里的轴就是指shape（x, y, z）有三个轴，标号为0，1，2。

先生成一个有三个轴的单位矩阵：

box = np.ones([4,3,2])

print(box)

[[[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]

 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]

 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]

 [[ 1.  1.]
  [ 1.  1.]
  [ 1.  1.]]]

# 不指定轴，所有元素相加
print(np.sum(box))
print(np.sum(box, keepdims=True))

24.0
[[[ 24.]]]

# 指定轴 
print(np.sum(box, axis=0))
print(np.sum(box, axis=0, keepdims=True))

print('------------')

print(np.sum(box, axis=1))
print(np.sum(box, axis=1, keepdims=True))

print('------------')

print(np.sum(box, axis=2))
print(np.sum(box, axis=2, keepdims=True))

[[ 4.  4.]
 [ 4.  4.]
 [ 4.  4.]]
[[[ 4.  4.]
  [ 4.  4.]
  [ 4.  4.]]]
------------
[[ 3.  3.]
 [ 3.  3.]
 [ 3.  3.]
 [ 3.  3.]]
[[[ 3.  3.]]

 [[ 3.  3.]]

 [[ 3.  3.]]

 [[ 3.  3.]]]
------------
[[ 2.  2.  2.]
 [ 2.  2.  2.]
 [ 2.  2.  2.]
 [ 2.  2.  2.]]
[[[ 2.]
  [ 2.]
  [ 2.]]

 [[ 2.]
  [ 2.]
  [ 2.]]

 [[ 2.]
  [ 2.]
  [ 2.]]

 [[ 2.]
  [ 2.]
  [ 2.]]]

轴为i，就对第i轴里面的数据进行运算！
axis = 0 时，对把每个[3, 2]相加，依次类推。