2.16 关于 Python Numpy 的说明-深度学习-Stanford吴恩达教授

关于 Python Numpy 的说明 (A Note on Python/Numpy Vectors)

本节主要讲Python中的numpy一维数组的特性，以及与行向量或列向量的区别。并介绍了老师在实际应用中的一些小技巧，去避免在coding中由于这些特性而导致的bug。

Python的特性允许你使用广播（broadcasting）功能，这是Python的numpy程序语言库中最灵活的地方。而我认为这是程序语言的优点，也是缺点。优点的原因在于它们创造出语言的表达性，Python语言巨大的灵活性使得你仅仅通过一行代码就能做很多事情。但是这也是缺点，由于广播巨大的灵活性，有时候你对于广播的特点以及广播的工作原理这些细节不熟悉的话，你可能会产生很细微或者看起来很奇怪的bug。例如，如果你将一个列向量添加到一个行向量中，你会以为它报出维度不匹配或类型错误之类的错误，但是实际上你会得到一个行向量和列向量的求和后的矩阵。

在Python的这些奇怪的影响之中，其实是有一个内在的逻辑关系的。但是如果对Python不熟悉的话，我就曾经见过的一些学生非常生硬、非常艰难地去寻找bug。所以我在这里想做的就是分享给你们一些技巧，这些技巧对我非常有用，它们能消除或者简化我的代码中所有看起来很奇怪的bug。同时我也希望通过这些技巧，你也能更容易地写没有bug的Python和numpy代码。

为了演示Python-numpy的一个容易被忽略的效果，特别是怎样在Python-numpy中构造向量时候，让我来做一个快速示范。首先设置 a=np.random.randn(5) ，这样会生成存储在数组 a 中的5个高斯随机数变量。之后输出a，从屏幕上可以得知，此时a的shape（形状）是一个的结构。这在Python中被称作一个一维数组。它既不是一个行向量也不是一个列向量，这也导致它有一些不是很直观的效果。举个例子，如果我输出一个转置阵，最终结果它会和 a 看起来一样。而如果我输出 a 和 a 的转置阵的内积，你可能会想：a 乘以 a的转置返回给你的应该会是一个矩阵。但是如果我这样做，你却只会得到一个数。

所以我建议当你编写神经网络时，不要使用这种数据结构，而是令 a 的形状为（5，1），这会是使a成为一个5x1的列向量。如下图操作：

 此时再进行转置，就得到一个行向量：

 请注意一个细微的差别，在这种数据结构中，当我们打印a的转置结果中有两个方括号，而之前只有一个方括号！区别就是，现在这个才是一个真正的1x5的矩阵，而之前的是秩为1的数组。并且如果打印a乘以a转置的结果得到了向量的外积（矩阵）：

就我们刚才看到的，再进一步说明。首先我们刚刚运行的命令是这个(a=np.random.randn(5)) ，然后用a.shape命令查看结构得到一个奇怪的结构，这被称为秩为1的数组。这是一个很奇怪的数据结构，所以我建议是，当在深度学习coding时，不要使用这种数组。

相反，如果你在每次创建数组的时候都能指定它的结构（是行还是列向量），那么我们将更容易理解。

 我写代码时还有一件经常做的事，那就是如果我不完全确定一个向量的维度(dimension)，我经常会扔进一个断言语句(assertion statement)。

 这些断言语句会有助于为你的代码提供信息。所以不论你要做什么，不要犹豫直接插入断言语句。如果你不小心以一维数组来执行，你也能够重新改变数组维数 a = a.reshape((5,1)) ，使其成为一个（5，1）的向量或矩阵。

我有时候看见学生因为秩为1的数组的不直观的行为，导致出现难以定位bug而告终。通过在原先的代码里清除一维数组（秩为1的数组），我的代码变得更加简洁。而且实际上就我在代码中表现的事情而言，我从来不使用一维数组。因此，要去简化你的代码，而且不要使用一维数组。总是安装这种 nx1维的矩阵去构造数组，并且多使用断言语句来复查矩阵和数组的维度。不要羞于reshape操作。

总之，我希望这些建议能帮助你解决Python中的bug，从而使你更容易地完成练习。