Numpy
1. 矩阵元素对应相乘与矩阵点乘的区别
import numpy as np
mat1=np.array([1,2],[3,4])
mat2=np.array([5,6],[7,8])
#元素对应相乘用*,点乘用.dot()
matM=mat1*mat2
matD=mat1.dot(mat2)
2. trsnspose()
这是一个“换轴”的函数。先看程序体验一下二维矩阵transpose和reshape的区别:
>>>import numpy as np
>>>a=np.arange(8).reshape((2,4))
>>>b=np.arange(8).reshape((4,2))
>>>a
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
>>>b
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
>>>a.transpose((1,0))
array([[0, 4],
[1, 5],
[2, 6],
[3, 7]])
可以看出,reshape是把这个8个元素的矩阵,按轴 依次排列。所以2×4与4×2的结果是从axis0→axis1依次来排列0到7这8个数,所以矩阵a与b的结果如上所示。而transpose()是把整个轴转过来,所以出现了上面的结果。在三维矩阵的情况下,改变一个轴是把整个面转过来,画个图看得更清晰(〇①②是轴序)。如图,在三维矩阵中,transpose((1, 0, 2))就是把第一面和第二面直接给换了。因此可以这么理解,二维的转置是换轴,三维的转置是换面,三维以上的转置就不知道怎么用语言形容了。
3. broadcast (引用至:https://blog.csdn.net/xiuxin121/article/details/79082548)
国内有些人将numpy的broadcast按照字面意思翻译为“广播”,这样显然是容易误导人的。根据broadcast在numpy中的实际作用,我个人更倾向于将braodcast 拆开并翻译为“拓宽”(向更宽的矩阵拓展)。其具体作用为:
当两个矩阵进行加/减法运算时,比如我们需要将一个列向量加到一个矩阵的每一列上,由于尺寸不同,无法直接进行运算,一种直接粗暴的做法就是循环遍历矩阵的每一列,再把列向量加到每一列上,这样代码会显得很复杂。而 numpy会自动执行的broadcast操作则会先将列向量“拓宽”成一个相同尺寸的矩阵,且其每一列都是对原列向量的复制,然后再进行运算。如下:
>>>zeroa=np.zeros((2,4))
>>>vv=np.array([[1],[2]])
>>>zeroa+vv
array([[1., 1., 1., 1.],
[2., 2., 2., 2.]])
对于行向量和高维矩阵也是如此。