Python之NumPy&Matplotlib

一、NumPy
       在深度学习的实现中，经常出现数组和矩阵的计算。NumPy 的数组类（numpy.array）中提供了很多便捷的方法，在实现深度学习时，我们将使用这些方法。本节我们来简单介绍一下后面会用到的 NumPy。
1.导入 NumPy
       NumPy 是外部库。
pip install NumPy导入第三方库
       这里所说的“外部”是指不包含在标准版 Python 中。因此，我们首先要导入 NumPy 库。
>>> import numpy as np
       Python 中使用 import 语句来导入库。这里的 import numpy as np，直译的话就是“将 numpy 作为 np 导入”的意思。通过写成这样的形式，之后 NumPy 相关的方法均可通过 np 来调用。
2.生成 NumPy 数组
       要生成 NumPy 数组，需要使用 np.array() 方法。np.array() 接收 Python 列表作为参数，生成 NumPy 数组（numpy.ndarray）。
>>> x = np.array([1.0, 2.0, 3.0])
>>> print(x)
[ 1. 2. 3.]
>>> type(x)
<class ‘numpy.ndarray’>

3.NumPy 的算术运算
       下面是 NumPy 数组的算术运算的例子。
>>> x = np.array([1.0, 2.0, 3.0])
>>> y = np.array([2.0, 4.0, 6.0])
>>> x + y # 对应元素的加法
array([ 3., 6., 9.])
>>> x - y
array([ -1., -2., -3.])
>>> x * y # element-wise product
array([ 2., 8., 18.])
>>> x / y
array([ 0.5, 0.5, 0.5])
       这里需要注意的是，数组 x 和数组 y 的元素个数是相同的（两者均是元素个数为 3 的一维数组）。当 x 和 y 的元素个数相同时，可以对各个元素进行算术运算。如果元素个数不同，程序就会报错，所以元素个数保持一致非常重要。另外，“对应元素的”的英文是 element-wise，比如“对应元素的乘法”就是 element-wise product。
       NumPy 数组不仅可以进行 element-wise 运算，也可以和单一的数值（标量）组合起来进行运算。此时，需要在 NumPy 数组的各个元素和标量之间进行运算。这个功能也被称为广播（详见后文）。
>>> x = np.array([1.0, 2.0, 3.0])
>>> x / 2.0
array([ 0.5, 1. , 1.5])
4.NumPy 的 N 维数组
       NumPy 不仅可以生成一维数组（排成一列的数组），也可以生成多维数组。比如，可以生成如下的二维数组（矩阵）。
>>> A = np.array([[1, 2], [3, 4]])
>>> print(A)
          [[1 2]
          [3 4]]
>>> A.shape
          (2, 2)
>>> A.dtype
dtype(‘int64’)
       这里生成了一个 2 × 2 的矩阵 A。另外，矩阵 A 的形状可以通过 shape 查看，矩阵元素的数据类型可以通过 dtype 查看。下面，我们来看一下矩阵的算术运算。
>>> B = np.array([[3, 0],[0, 6]])
>>> A + B
array([[ 4, 2],
          [ 3, 10]])
>>> A * B
array([[ 3, 0],
          [ 0, 24]])
       和数组的算术运算一样，矩阵的算术运算也可以在相同形状的矩阵间以对应元素的方式进行。并且，也可以通过标量（单一数值）对矩阵进行算术运算。这也是基于广播的功能。
>>> print(A)
          [[1 2]
           [3 4]]
>>> A * 10
array([[ 10, 20],
          [ 30, 40]])
       NumPy 数组（np.array）可以生成 N 维数组，即可以生成一维数组、二维数组、三维数组等任意维数的数组。数学上将一维数组称为向量，将二维数组称为矩阵。另外，可以将一般化之后的向量或矩阵等统称为张量（tensor）。本书基本上将二维数组称为“矩阵”，将三维数组及三维以上的数组称为“张量”或“多维数组”。
5.广播
       NumPy 中，形状不同的数组之间也可以进行运算。之前的例子中，在 2×2 的矩阵 A 和标量 10 之间进行了乘法运算。在这个过程中，如图 1-1 所示，标量 10 被扩展成了 2 × 2 的形状，然后再与矩阵 A 进行乘法运算。这个巧妙的功能称为广播（broadcast）。

       我们通过下面这个运算再来看一个广播的例子。
>>> A = np.array([[1, 2], [3, 4]])
>>> B = np.array([10, 20])
>>> A * B
array([[ 10, 40],
           [ 30, 80]])
       在这个运算中，如图 1-2 所示，一维数组 B 被“巧妙地”变成了和二位数组 A 相同的形状，然后再以对应元素的方式进行运算。

       综上，因为 NumPy 有广播功能，所以不同形状的数组之间也可以顺利地进行运算。
6访问元素
       元素的索引从 0 开始。对各个元素的访问可按如下方式进行。
>>> X = np.array([[51, 55], [14, 19], [0, 4]])
>>> print(X)
           [[51 55]
           [14 19]
           [ 0 4]]
>>> X[0] # 第0行
array([51, 55])
>>> X[0][1] # (0,1)的元素
55
       也可以使用 for 语句访问各个元素。
>>> for row in X:
…         print(row)
…
[51 55]
[14 19]
[0 4]
       除了前面介绍的索引操作，NumPy 还可以使用数组访问各个元素。
>>> X = X.flatten() # 将X转换为一维数组
>>> print(X)
[51 55 14 19 0 4]
>>> X[np.array([0, 2, 4])] # 获取索引为0、2、4的元素
array([51, 14, 0])
       运用这个标记法，可以获取满足一定条件的元素。例如，要从 X 中抽出大于 15 的元素，可以写成如下形式。
>>> X > 15
array([ True, True, False, True, False, False], dtype=bool)
>>> X[X>15]
array([51, 55, 19])
       对 NumPy 数组使用不等号运算符等（上例中是 X > 15），结果会得到一个布尔型的数组。上例中就是使用这个布尔型数组取出了数组的各个元素（取出 True 对应的元素）。
       动态类型语言一般比 C 和 C++ 等静态类型语言（编译型语言）运算速度慢。实际上，如果是运算量大的处理对象，用 C/C++ 写程序更好。为此，当 Python 中追求性能时，人们会用 C/C++ 来实现处理的内容。Python 则承担“中间人”的角色，负责调用那些用 C/ C++ 写的程序。NumPy 中，主要的处理也都是通过 C 或 C++ 实现的。因此，我们可以在不损失性能的情况下，使用 Python便利的语法。
二、Matplotlib
       在深度学习的实验中，图形的绘制和数据的可视化非常重要。Matplotlib 是用于绘制图形的库，使用 Matplotlib 可以轻松地绘制图形和实现数据的可视化。这里，我们来介绍一下图形的绘制方法和图像的显示方法。
2.1绘制简单图形
       可以使用 matplotlib 的 pyplot 模块绘制图形。话不多说，我们来看一个绘制 sin 函数曲线的例子。
import numpy as np
import matplotlib.pyplot as plt
# 生成数据
x = np.arange(0, 6, 0.1) # 以0.1为单位，生成0到6的数据
y = np.sin(x)
# 绘制图形
plt.plot(x, y)
plt.show()
       这里使用 NumPy 的 arange 方法生成了 [0, 0.1, 0.2,…, 5.8, 5.9] 的数据，将其设为 x。对 x 的各个元素，应用 NumPy 的 sin 函数 np.sin()，将 x、y 的数据传给 plt.plot 方法，然后绘制图形。最后，通过 plt.show() 显示图形。运行上述代码后，就会显示图 1-3 所示的图形。

2.2pyplot 的功能
       在刚才的 sin 函数的图形中，我们尝试追加 cos 函数的图形，并尝试使用 pyplot 的添加标题和 x 轴标签名等其他功能。
import numpy as np
import matplotlib.pyplot as plt
# 生成数据
x = np.arange(0, 6, 0.1) # 以0.1为单位，生成0到6的数据
y1 = np.sin(x)
y2 = np.cos(x)
# 绘制图形
plt.plot(x, y1, label=“sin”)
plt.plot(x, y2, linestyle = “–”, label=“cos”) # 用虚线绘制
plt.xlabel(“x”) # x轴标签
plt.ylabel(“y”) # y轴标签
plt.title(‘sin & cos’) # 标题
plt.legend()
plt.show()
       结果如图 1-4 所示，我们看到图的标题、轴的标签名都被标出来了。

图 1-4　sin 函数和 cos 函数的图形
2.3显示图像
       pyplot 中还提供了用于显示图像的方法 imshow()。另外，可以使用 matplotlib.image 模块的 imread() 方法读入图像。下面我们来看一个例子。
import matplotlib.pyplot as plt
from matplotlib.image import imread
img = imread(‘lena.png’) # 读入图像（设定合适的路径！）
plt.imshow(img)
plt.show()
       这里，我们假定图像 lena.png 在当前目录下。读者根据自己的环境，可能需要变更文件名或文件路径。另外，本书提供的源代码中，在 dataset 目录下有样本图像 lena.png。比如，在通过 Python 解释器从 ch01 目录运行上述代码的情况下，将图像的路径 ‘lena.png’ 改为 ‘…/dataset/lena.png’，即可正确运行。
小结
       本章重点介绍了实现深度学习（神经网络）所需的编程知识，以为学习深度学习做好准备。从下一章开始，我们将通过使用 Python 实际运行代码，逐步了解深度学习。
本章只介绍了关于 Python 的最低限度的知识，想进一步了解 Python 的读者，可以参考下面这些图书。首先推荐《Python 语言及其应用》[1] 一书。这是一本详细介绍从 Python 编程的基础到应用的实践性的入门书。关于 NumPy，《利用 Python 进行数据分析》[2] 一书中进行了简单易懂的总结。此外，“Scipy Lecture Notes”[3] 这个网站上也有以科学计算为主题的 NumPy 和 Matplotlib 的详细介绍，有兴趣的读者可以参考。
下面，我们来总结一下本章所学的内容，如下所示。
        Python 是一种简单易记的编程语言。
        Python 是开源的，可以自由使用。
       本书中将使用 Python 3.x 实现深度学习。
       本书中将使用 NumPy 和 Matplotlib 这两种外部库。
       Python 有“解释器”和“脚本文件”两种运行模式。
       Python 能够将一系列处理集成为函数或类等模块。
        NumPy 中有很多用于操作多维数组的便捷方法。
图 1-5　显示图像

摘自
https://gitbook.cn/gitchat/column/5ca950658a314a3fd950b67d/topic/5ca950658a314a3fd950b680