ai常用python_deeplearning.ai 作业中的Python常用命令

1. print大法

test = Hello World

print ("test:" + test)

2. math和numpy的区别：math只对单个元素，numpy会broadcasting。

import math

import numpy as np

x = [1, 2, 3]

s = 1/(1+math.exp(-x) #这条语句会报错

s = 1/(1+np.exp(-x)) #这条语句没问题。

3. 定义函数

def sigmoid_derivative(x):

s = 1/(1+np.exp(-x)

ds = s*(1-s)

return ds

x = np.array([1, 2, 3])

print ("sigmoid_derivative(x) = " + str(sigmoid_derivative(x))

4. shape和reshape：array的维度是从最外层[]开始数，最外层[]的元素数量就是第一个维度的大小，最内层[]的元素数量是最后一个维度的大小。array的序号是从0开始的。

reshape(x.shape[0], -1)中的-1是留这个维度给程序自己算出结果，其他维度必须指定。

image = np.array([[[ 0.67826139, 0.29380381],

[ 0.90714982, 0.52835647],

[ 0.4215251 , 0.45017551]],

[[ 0.92814219, 0.96677647],

[ 0.85304703, 0.52351845],

[ 0.19981397, 0.27417313]],

[[ 0.60659855, 0.00533165],

[ 0.10820313, 0.49978937],

[ 0.34144279, 0.94630077]],

[[ 0.85304703, 0.52835647],

[ 0.10820313, 0.45017551],

[ 0.34144279, 0.90714982]]])

print ("image[3][2][1]: " + str(image[3][2][1])) # image[2][3][1]: 0.90714982

print ("image.shape = " + str(image.shape)) # image.shape = (4, 3, 2)

vector = image.reshape(image.shape[0]*image.shape[1]*image.shape[2], 1)

print ("vector.shape = " + str(vector.shape)) # vector.shape = (24, 1)

5. Normalization： x_norm = np.linalg.norm(x, ord = 2, axis = 1, keepdims = True)，其中ord=2是默认值可以不写，axis=1是对横向量归一化，对于一维向量，axis只可以为0，keepdims=True是保持array的shape，防止出现(2, )这种shape，以防万一尽量都写上keepdims=True。

x = np.array([[0,3,4],[2,6,4]])

x_norm = np.linalg.norm(x, ord=2, axis =1, keepdims=True)

x_new = x/x_norm

print ("x: " + str(x))

print ("x_norm: "+str(x_norm))

print ("x_new: "+str(x_new))

输出：

x: [[0 3 4]

[2 6 4]]

x_norm: [[ 5. ]

[ 7.48331477]]

x_new: [[ 0. 0.6 0.8 ]

[ 0.26726124 0.80178373 0.53452248]]

6. 求和：x_sum = np.sum(x, axis = 1, keepdims = True)，其中axis=1是对第1个维度求和，比如shape是(4,2,3)的array，求和后是(4,1,3)。对于二维图像来说第1个维度就是横向量。

x_sum = np.sum(x)，是把x的所有元素都加起来得到一个scalar。尽量axis和keepdims的参数都填写，避免出错。

x = np.array([[0,3,4],[2,6,4]])

x_sum = np.sum(x, axis = 1, keepdims = True)

print ("x_sum: "+str(x_sum))

输出：

x_sum: [[ 7]

[12]]

7. 不同的乘法：

np.dot(x1, x2)对于矩阵是正常的矩阵乘法，对于一维向量是对应元素相乘再求和，Z = WX+b的WX部分就用np.dot。

np.multiply(x1, x2)是一维向量对应元素相乘，得到一个一维向量。

这里time是计时的方法。

import time

x1 = [9, 2, 5, 0, 0, 7, 5, 0, 0, 0, 9, 2, 5, 0, 0]

x2 = [9, 2, 2, 9, 0, 9, 2, 5, 0, 0, 9, 2, 5, 0, 0]

### 向量点乘，对应元素相乘再求和 ###

tic = time.process_time()

dot = np.dot(x1,x2)

toc = time.process_time()

print ("dot = " + str(dot) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### x1和x2的转置做矩阵乘法，n*1的矩阵乘以1*n的矩阵 ###

tic = time.process_time()

outer = np.outer(x1,x2)

toc = time.process_time()

print ("outer = " + str(outer) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### 对应元素相乘得到1*n的向量 ###

tic = time.process_time()

mul = np.multiply(x1,x2)

toc = time.process_time()

print ("elementwise multiplication = " + str(mul) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

### 正常的矩阵乘法 ###

W = np.random.rand(3,len(x1)) # Random 3*len(x1) numpy array

tic = time.process_time()

dot = np.dot(W,x1)

toc = time.process_time()

print ("gdot = " + str(dot) + "\n ----- Computation time = " + str(1000*(toc - tic)) + "ms")

输出：

dot = 278

----- Computation time = 0.0ms

outer = [[81 18 18 81 0 81 18 45 0 0 81 18 45 0 0]

[18 4 4 18 0 18 4 10 0 0 18 4 10 0 0]

[45 10 10 45 0 45 10 25 0 0 45 10 25 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

[63 14 14 63 0 63 14 35 0 0 63 14 35 0 0]

[45 10 10 45 0 45 10 25 0 0 45 10 25 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

[81 18 18 81 0 81 18 45 0 0 81 18 45 0 0]

[18 4 4 18 0 18 4 10 0 0 18 4 10 0 0]

[45 10 10 45 0 45 10 25 0 0 45 10 25 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

[ 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]]

----- Computation time = 0.0ms

elementwise multiplication = [81 4 10 0 0 63 10 0 0 0 81 4 25 0 0]

----- Computation time = 0.0ms

gdot = [ 14.98632469 18.30746169 17.30396991]

----- Computation time = 0.0ms

8. Broadcasting：loss = np.sum((yhat - y)**2, keepdims = True)，这种**的运算，也是对每个元素计算平方。类似的+-*/也都是如此。

9. 初始化：　w = np.zeros((dim, 1), dtype=float)，注意这里shape是要加括号的，例如w = np.zeros((4,2))。

10. 画图：matplotlib。

import matplotlib.pyplot as plt

# Plot learning curve (with costs)

costs = np.squeeze(d['costs'])

plt.plot(costs)

plt.ylabel('cost')

plt.xlabel('iterations (per hundreds)')

plt.title("Learning rate =" + str(d["learning_rate"]))

plt.show()

画散点图：plt.scatter(X[0, :], X[1, :], c=Y, s=40, cmap=plt.cm.Spectral)。第一个参数和第二个参数分别是横轴和纵轴的坐标；参数c是指明散点颜色，一般用‘b’(蓝色)这种指明，这里使用Y这样的数值为0或者1的数组指明；参数s是散点的大小，数值越大点越大；cmap指明了颜色，这个网站列出了全部http://scipy-cookbook.readthedocs.io/items/Matplotlib_Show_colormaps.html。

11. 图像处理：scipy

改变图像尺寸：my_image = scipy.misc.imresize(image, size=(num_px,num_px))