【Deep learning AI】Python Basics with Numpy 作业笔记

常用的numpy方法请详见：https://blog.csdn.net/flyDeDog/article/details/63255431?locationNum=9&fps=1

#创建一个向量

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

#sigmoid 函数的实现

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

np.exp（-x）是对输入向量 element-wise的方法

#sigmoid的导数

ds = s(1-s)

#当我们输入一个大型矩阵时，我们需要将这个矩阵unroll成一个超长的向量，这样可以避免出现各种BUG

x.shape是np.array的一个属性。为一个记录了行*列*深度的列表 

x.reshape()方法可以改变矩阵的维度，例如将输入的图片 （length,height,depth=3） 转换成（length*height*depth=3,1）的向量。

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

#对输入数据进行归一化

输入的矩阵为（行向量作为样品）：x=[[0 3 4],[3 5 6]]  

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

可得  x_norm = [5,5*根5]

将x=x/x_norm 即可归一化， x_norm是2*1的矩阵，x是2*3的矩阵。python中的广播则会将x_norm中的各行对应处理x中的各个行。

#建立一个softmax函数

x --一个n*m矩阵

1.利用np.exp()将x指数化

x = np.exp(x)

2.计算每一行的和

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

3.利用广播求出softmax函数

softmax = x/x_sum

将三维矩阵想象成一个立方体

b.sum(axis=0) 就是将所有的行叠加，仿佛一个立方体的上表面不断往下叠加。

b.sum(axis=1) 将所有的列叠加，一个立方体的左表面不断往右叠加。

b.sum(axis =2 ) 将所有的深度进行叠加，一个立方体的前表面不断往后叠加。

#L1 loss函数

yhat表示预测值的行向量

y表示实际的标签行向量

sum求和的时候可以利用矩阵乘法np.dot()与累加np.sum()

loss = float(np.sum(abs(y-yhat),axis = 0,keepdims = True))#利用求和将y-yhat行向量进行行叠加成一个数，记得绝对值

loss = np.dot(abs(y-yhat),np.ones(y.shape[0]).T)#利用矩阵乘法1*n * n*1 求和

#L2 loss函数

loss = np.dot((y - yhat),(y - yhat).T) #直接利用矩阵乘法即可