2.15 Python 中的广播-深度学习-Stanford吴恩达教授

---

←上一篇	↓↑	下一篇→
2.14 向量化 Logistic 回归的梯度输出	回到目录	2.16 关于 Python Numpy 向量的说明

---

Python 中的广播 (Broadcasting in Python)

这是一个不同食物(每100g)中不同营养成分的卡路里含量表格，表格为3行4列，列表示不同的食物种类，从左至右依次为苹果，牛肉，鸡蛋，土豆。行表示不同的营养成分，从上到下依次为碳水化合物，蛋白质，脂肪。

那么，我们现在想要计算不同食物中不同营养成分中的卡路里百分比。

现在计算苹果中的碳水化合物卡路里百分比含量，首先计算苹果（100g）中三种营养成分卡路里总和56+1.2+1.8 = 59，然后用56/59 = 94.9%算出结果。

可以看出苹果中的卡路里大部分来自于碳水化合物，而牛肉则不同。

对于其他食物，计算方法类似。首先，按列求和，计算每种食物中（100g）三种营养成分总和，然后分别用不用营养成分的卡路里数量除以总和，计算百分比。

那么，能否不使用for循环完成这样的一个计算过程呢？

假设上图的表格是一个4行3列的矩阵 $A$ ，记为 $A_{3\ast 4}$ ，接下来我们要使用Python的numpy库完成这样的计算。我们打算使用两行代码完成，第一行代码对每一列进行求和，第二行代码分别计算每种食物每种营养成分的百分比。

在jupyter notebook中输入如下代码，按shift+Enter运行，输出如下。

下面使用如下代码计算每列的和，可以看到输出是每种食物(100g)的卡路里总和。

其中sum的参数axis=0表示求和运算按列执行，之后会详细解释。

接下来计算百分比，这条指令将 $3\ast 4$ 的矩阵 $A$ 除以一个 $1\ast 4$ 的矩阵，得到了一个 $3\ast 4$ 的结果矩阵，这个结果矩阵就是我们要求的百分比含量。

下面再来解释一下A.sum(axis = 0)中的参数axis。axis用来指明将要进行的运算是沿着哪个轴执行，在numpy中，0轴是垂直的，也就是列，而1轴是水平的，也就是行。

而第二个A/cal.reshape(1,4)指令则调用了numpy中的广播机制。这里使用 $3\ast 4$ 的矩阵 $A$ 除以 $1\ast 4$ 的矩阵 $cal$ 。技术上来讲，其实并不需要再将矩阵 $cal$ reshape(重塑)成 $1\ast 4$ ，因为矩阵 $cal$ 本身已经是 $1\ast 4$ 了。但是当我们写代码时不确定矩阵维度的时候，通常会对矩阵进行重塑来确保得到我们想要的列向量或行向量。重塑操作reshape是一个常量时间的操作，时间复杂度是 $O(1)$，它的调用代价极低。

那么一个 $3\ast 4$ 的矩阵是怎么和 $1\ast 4$ 的矩阵做除法的呢？让我们来看一些更多的广播的例子。

课程PPT

←上一篇	↓↑	下一篇→
2.14 向量化 Logistic 回归的梯度输出	回到目录	2.16 关于 Python Numpy 向量的说明

---