TensorFlow2.1入门学习笔记(1)——Numpy科学计算库
在正式学习tensorflow2.0之前需要有一定的python基础，对numpy，matplotlib等库有基本的了解，笔者还是AI小白，通过写博客来记录自己的学习过程，同时对所学的东西进行总结。主要学习资料西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记。博客从tf常用的库开始，需要学习python基础的朋友推荐菜鸟教程
TensorFlow2.0学习笔记(1)——Numpy科学计算库
1.多为数组的形状(Shape)
描述数组的维度，以及各维度内部元素个数
一维数组 shape:(5,)
描述某位同学5门课程的成绩：
二维数组 shape:(30,5)
描述某个班30位同学5门课成绩：
三维数组 shape:(10,30,5)
描述某个学校10个班30位同学5门课成绩：
四维数组 shape:(5,10,30,5)
描述某个地区5所学校10个班30位同学5门课成绩：
五维数组 shape:(4,5,10,30,5)
描述某个某个国家4个地区5所学校10个班30位同学5门课成绩：
更高维以此类推
2.创建Nump
安装Numpy库
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy
导入Numpy库
import numpy as np
import numpy import * #可直接调用库，但不推荐，容易和其他包冲突
创建数组
m = np.array([[[4, 5, 8, 3],[3, 6, 9, 0],[8, 4, 5, 6]],
[[4, 5, 8, 3],[3, 6, 9, 0],[8, 4, 2, 1]]])
# 数组属性
m.ndim #3 维度
m.shape #(2,3,4) 形状
m.size #24 元素的总个数
m.dtype #int32 数据类型
m.itemsize #4 每个元素的字节数
创建特殊的数组
# np.arrange(start=0,stop,num=1,dtype) 前闭后开，不包含结束值
n=np.arange(4) #array([0, 1, 2, 3])
a=np.arange(0,2,0.3) #array([0., 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])
np.ones((3,2),dtype =np.int64) #array([[1,1],[1, 1],[1, 1]],dtype = int64)
np.eye(2, 3) #array([[1., 0., 0.], [0., 1., 0.]])创建一个单位矩阵
# np.logspace(stat,stop,num,base,dtype)参数：起始指数，结束指数，基，元素数据类型，包含结束值
np.logspace(1, 5, 5, base=2) #array([2., 4., 8, 16, 32])
3.数组计算
需要了解几个常见的数组数据处理函数
# 数组元素切片
a = np.array([0,1,2,3]) #一维数组
print(a[:3]) #array([0,1,2]) 输出前三个数
b = np.array([[0,1,2,3],[3,4,5,6],[6,7,8,9]]) #二维数组
print(b[:2]) #array([[0,1,2,3],[3,4,5,6]]) 输出前两行
# 改变数组的形状
c = np.arange(12)
d = c.reshape(3,4)
print(d) #array([[0,1,2,3],[4,5,6,7],[8,9,10,11]]) 不改变当前数组，按照shape创建新的数组
c.reshape(-1,1)
print(c) #array([[0],[1],[2],[3],[4],[5],[6],[7],[8],[9],[10],[11]])
c.resize(3,4)
print(c) #array([[0,1,2,3],[4,5,6,7],[8,9,10,11]]) 改变当前数组，按照shape创建新的数组
数组间的运算
1.数组间的元素运算
a = np.arange(4)
print(np.sum(a)) #6
print(np.sqrt(a)) #array([0. ,1. ,1.41421356, 1.73205081])
数组的轴和秩
数组的堆叠运算
x = np.array([1,2,3])
y = np.array([4,5,6])
print(np.stack((x,y),axis = 0)) #array([1,2,3],[4,5,6])
print(np.stack((x,y),axis = 1)) #array([1,4],[2,5],[3,6])
a = np.arrange(12).reshape(3,4) #a = ([0,1,2,3],[4,5,6,7],[8,9,10,11])
print(np.sum(b,axis=0)) #array([12,15,18,21])
print(np.sum(b,axis=1)) #array([6,22,38])
2.数组加减法，对应元素相加减（进行运算的数组长度要一致）
a = np.ones([3,3])
b = np.eye(3,3)
print(a+b) #array([[2，1,1],[1,2,1],[1,1,2]])
3.一维数组可以和多维数组相加，相加时将会将一维数组扩展至多维
a = np.array([1,2,3])
b = np.array([1,1,1],[2,2,2])
print(a+b) #array([2,3,4],[3,4,5])
print(b**2) #array([1,1,1],[4,4,4])
SUMMARIZE:数组间的四则运算，是对应元素加减乘除；
当数组中元素的数据类型不同时，精度低的数据类型会转换成精度高的数据类型，然后再运算
矩阵运算
1.矩阵乘法，按矩阵相乘的规则运算
A = np.array([[1,2],[2,3]])
B = np.array([[4,2,1],[1,5,2]])
print(np.matmul(A,B)) #array([6,12,5],[11,19,8])
2.转置和求逆
#转置
print(np.transpose(A)) #array([1,2],[2,3])
#求逆
print(np.linalg.inv(A)) #array([-3,2],[2,-1])
博客园链接