欢迎访问我的GitHub
https://github.com/zq2599/blog_demos
内容：所有原创文章分类汇总及配套源码，涉及Java、Docker、Kubernetes、DevOPS等；
本篇概览
- 作为《DL4J实战》系列的第五篇，在前面对深度学习有一定的了解后，本篇会暂停深度学习相关的操作，转为基本功练习：矩阵操作，即INDArray接口的基本用法
- INDArray的类图如下，由于BaseNDArray是个抽象类，因此在实际使用中，咱们用的都是NDArray的实例：
在这里插入图片描述
之所以用一篇文章来学习矩阵操作，是因为后面的实战过程中处处都有它，处处离不开它，若不熟练就会寸步难行；
本篇涉及的API较多，因此先做好归类，后面的代码按照分类来写会清晰一些，一共分为五类：矩阵属性、创建操作、读操作、写操作、矩阵计算，接下来用思维导图列出每一类的常用API
矩阵属性：
在这里插入图片描述
- 创建操作：
在这里插入图片描述
- 读操作：
在这里插入图片描述
- 写操作：
在这里插入图片描述
- 矩阵计算：
在这里插入图片描述
源码下载
- 本篇实战中的完整源码可在GitHub下载到，地址和链接信息如下表所示(https://github.com/zq2599/blog_demos)：
| 名称 | 链接 | 备注 |
|---|---|---|
| 项目主页 | https://github.com/zq2599/blog_demos | 该项目在GitHub上的主页 |
| git仓库地址(https) | https://github.com/zq2599/blog_demos.git | 该项目源码的仓库地址，https协议 |
| git仓库地址(ssh) | [email protected]:zq2599/blog_demos.git | 该项目源码的仓库地址，ssh协议 |
- 这个git项目中有多个文件夹，《DL4J实战》系列的源码在dl4j-tutorials文件夹下，如下图红框所示：
在这里插入图片描述
- dl4j-tutorials文件夹下有多个子工程，本次实战代码在ndarray-experience目录下，如下图红框：
在这里插入图片描述
创建工程
- 在父工程dl4j-tutorials下新建名为ndarray-experience的子工程，其pom.xml如下：
dlfj-tutorials
com.bolingcavalry
1.0-SNAPSHOT
4.0.0
ndarray-experience
org.nd4j
${nd4j.backend}
ch.qos.logback
logback-classic
- 接下来的代码都写在ndarray-experience工程中
最基本的方法
先列出两个最基本的方法，后面学习时会频繁用到它们：
rand：秩，维数，例如2行3列的二维矩阵，rand方法返回值等于2
shape：矩阵每个维度的大小，如2行3列的二维矩阵，shape方法返回值等于[2, 3]
准备一个静态方法，可以将INDArray实例的详情打印出来，用的就是rand和shape方法：
private static void disp(String type, INDArray indArray) {
StringBuilder stringBuilder = new StringBuilder("*****************************************************\n");
stringBuilder.append(type)
.append("\n维度 : ").append(indArray.rank())
.append("\n形状 : ").append(Arrays.toString(indArray.shape()))
.append("\n完整矩阵 : \n").append(indArray);
System.out.println(stringBuilder);
}
创建矩阵
- 全零矩阵：zeros
// 创建2行3列的全零矩阵
INDArray indArray0 = Nd4j.zeros(2, 3);
disp("全零矩阵", indArray0);
- 执行结果
全零矩阵
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 0, 0, 0],
[ 0, 0, 0]]
- 全1矩阵：ones
// 创建2行3列的全一矩阵
INDArray indArray1 = Nd4j.ones(2, 3);
disp("全一矩阵", indArray1);
- 执行结果
全一矩阵
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 1.0000, 1.0000],
[ 1.0000, 1.0000, 1.0000]]
- 全是指定值的矩阵：valueArrayOf
// 创建2行3列的全是指定值的矩阵
INDArray indArray2 = Nd4j.valueArrayOf(new int[] {2, 3}, 888);
disp("全是指定值(888)的矩阵", indArray2);
- 执行结果
全是指定值(888)的矩阵
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 888.0000, 888.0000, 888.0000],
[ 888.0000, 888.0000, 888.0000]]
- rand：随机矩阵（0到1之间的随机数）
// 创建2行3列的随机矩阵
INDArray indArray2 = Nd4j.rand(2, 3);
disp("随机矩阵", indArray2);
- 执行结果
随机矩阵
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 0.7236, 0.5159, 0.1908],
[ 0.9458, 0.4413, 0.4173]]
- 随机高斯分布的矩阵(平均值为0,标准差为1)：randn
// 创建2行3列的随机高斯分布矩阵
INDArray indArray3 = Nd4j.randn(2, 3);
disp("随机高斯分布矩阵", indArray3);
- 执行结果
随机高斯分布矩阵
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ -0.4287, -0.5790, 0.5004],
[ -0.5122, 1.0551, -0.1998]]
- 等差数列：linspace
// 创建等差数列，
// 从1到6、长度为10的等差数列
INDArray indArray4 = Nd4j.linspace(1,6, 10);
disp("等差数列", indArray4);
- 执行结果
等差数列
维度 : 1
形状 : [10]
完整矩阵 :
[ 1.0000, 1.5556, 2.1111, 2.6667, 3.2222, 3.7778, 4.3333, 4.8889, 5.4444, 6.0000]
- 根据数组创建矩阵：create(float[] data, int[] shape)
// 根据数组创建2行3列的矩阵
INDArray indArray6 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("根据数组创建矩阵", indArray6);
- 执行结果
根据数组创建矩阵
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
- 三维矩阵
// 三维矩阵
INDArray indArray7 = Nd4j.valueArrayOf(new int[] {2, 2, 3}, 888);
disp("三维矩阵", indArray7);
```shell
三维矩阵
维度 : 3
形状 : [2, 2, 3]
完整矩阵 :
[[[ 888.0000, 888.0000, 888.0000],
[ 888.0000, 888.0000, 888.0000]],
[[ 888.0000, 888.0000, 888.0000],
[ 888.0000, 888.0000, 888.0000]]]
- 创建正方形二维矩阵，并且对角线上的元素值都是1.0：
// 创建3行3列的二维矩阵，对角线值为1.0
INDArray indArray10 = Nd4j.eye(3);
disp("3*3矩阵，且对角线都是1.0", indArray10);
- 执行结果
3*3矩阵，且对角线都是1.0
维度 : 2
形状 : [3, 3]
完整矩阵 :
[[ 1.0000, 0, 0],
[ 0, 1.0000, 0],
[ 0, 0, 1.0000]]
读操作
- 接下来试试读取相关的操作，回顾前面用数组创建的2行3列的矩阵，内容如下：
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
- 读取指定位置：
System.out.println("读取第一行第一列位置的值 : " + indArray6.getDouble(1,1));
- 执行结果
读取第一行第一列位置的值 : 5.0
- 指定行：
System.out.println("读取第一行 : " + indArray6.getRow(1));
- 执行结果
读取第一行 : [ 4.0000, 5.0000, 6.0000]
- 指定列：
System.out.println("读取第二列 : " + indArray6.getColumn(2));
- 执行结果
读取第二列 : [ 3.0000, 6.0000]
- 指定多列：
System.out.println("读取第二、三列 : " + indArray6.getColumns(1,2));
- 执行结果
读取第二、三列 : [[ 2.0000, 3.0000],
[ 5.0000, 6.0000]]
写操作
- 接下来试试读取相关的操作，回顾前面用数组创建的2行3列的矩阵，内容如下：
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
- 修改指定位置，查看了源码后发现，put方法内容实际上是在调用putScalar方法：
indArray6.put(1,1, 123);
indArray6.putScalar(0,0, 456);
disp("a. 修改后", indArray6);
- 执行结果
a. 修改后
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 456.0000, 2.0000, 3.0000],
[ 4.0000, 123.0000, 6.0000]]
- 修改整行：
// 准备一维数组
INDArray row1 = Nd4j.create(new float[] {9,8,7});
// 用一维数组替换矩阵的整行
indArray6.putRow(1, row1);
disp("b. 修改后", indArray6);
- 执行结果
b. 修改后
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 456.0000, 2.0000, 3.0000],
[ 9.0000, 8.0000, 7.0000]]
矩阵计算
- 矩阵计算，咱们从最基本的四则运算开始
- 加减乘除，入参是一个标量，会与矩阵中的所有元素做计算
// 准备好原始数据，2行3列矩阵
indArray6 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 加法
disp("加法", indArray6.add(1));
// 减法
disp("减法", indArray6.sub(1));
// 乘法
disp("乘法", indArray6.mul(2));
// 除法
disp("除法", indArray6.div(2));
- 执行结果
加法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 3.0000, 4.0000],
[ 5.0000, 6.0000, 7.0000]]
*****************************************************
减法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 0, 1.0000, 2.0000],
[ 3.0000, 4.0000, 5.0000]]
*****************************************************
乘法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 4.0000, 6.0000],
[ 8.0000, 10.0000, 12.0000]]
*****************************************************
除法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 0.5000, 1.0000, 1.5000],
[ 2.0000, 2.5000, 3.0000]]
- 前面的add方法，执行完毕后会生成一个新的NDArray实例，不影响原对象，但如果调用的是addi，就会修改原对象的内容：
INDArray indArray8 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("替换前", indArray8);
indArray8.addi(1);
disp("替换后", indArray8);
- 执行结果
替换前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
*****************************************************
替换后
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 3.0000, 4.0000],
[ 5.0000, 6.0000, 7.0000]]
- 展开：Nd4j.toFlattened，2行3列的二维矩阵展开后成了一维的
disp("展开", Nd4j.toFlattened(indArray6));
- 执行结果
展开
维度 : 1
形状 : [6]
完整矩阵 :
[ 1.0000, 2.0000, 3.0000, 4.0000, 5.0000, 6.0000]
- 转换：reshape，相当于使用原有数据，但是换一个shape入参
disp("转换", indArray6.reshape(3,2));
- 执行结果
转换
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 2.0000],
[ 3.0000, 4.0000],
[ 5.0000, 6.0000]]
- 提取正方形矩阵的对角线：diag，得到的结果是一维的
// 创建一个人3行3列的正方形矩阵
INDArray indArray9 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6, 7, 8, 9}, new int[] {3,3});
disp("3*3矩阵", indArray9);
// 提取正方形矩阵的对角线
disp("3*3矩阵的对角线", Nd4j.diag(indArray9));
- 执行结果如下图，diag方法得到了源对象的对角线
在这里插入图片描述
- 基于源矩阵形状创建新矩阵，且值都相通（入参值），然后用此新矩阵减去源矩阵：rsub
// 初始化一个2行3列的矩阵
INDArray indArray11 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 参考indArray12的结构创建一个2行3列的矩阵，该矩阵的所有元素的值都等于10(入参)，
// 然后，用该矩阵减去indArray11，结果作为rsub方法的返回值返回
INDArray indArray12 = indArray11.rsub(10);
disp("rsub方法", indArray12);
- 执行结果如下，可见所有值都是10减去源矩阵对应位置的值：
rsub方法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 9.0000, 8.0000, 7.0000],
[ 6.0000, 5.0000, 4.0000]]
- 两个矩阵相加：add，两个形状相通的矩阵，同样位置的值相加：
INDArray indArray13 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
INDArray indArray14 = Nd4j.create(new float[] {1, 1, 1, 1, 1, 1}, new int[] {2,3});
disp("矩阵相加", indArray13.add(indArray14));
- 执行结果
矩阵相加
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 3.0000, 4.0000],
[ 5.0000, 6.0000, 7.0000]]
- 叉乘：mmul，2行3列乘以3行2列，
INDArray indArray13 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
INDArray indArray15 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {3,2});
disp("2行3列", indArray13);
disp("3行2列", indArray15);
disp("2行3列矩阵与3行2列矩阵的叉乘", indArray13.mmul(indArray15));
- 执行结果，可见，2行3列矩阵的每一行的元素，都和3行2列矩阵每一列的元素做两两相乘再相加，一共四个值，所以结果就是2行2列的矩阵：
在这里插入图片描述
- 矩阵所有元素值累加：sum
INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 总和
double sum = indArray16.sum().getDouble();
System.out.println("矩阵元素累加和 : " + sum);
- 执行结果
矩阵元素累加和 : 21.0
- 转置操作（不改变源对象）：transpose
INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("转置前", indArray16);
disp("转置操作", indArray16.transpose());
disp("transpose操作后的原值(不变)", indArray16);
- 执行结果，可见2行3列转置后变成了3行2列，但是生成了新对象，而源对象未改变
转置前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
*****************************************************
转置操作
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
*****************************************************
transpose操作后的原值(不变)
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
- 转置操作（源对象被改变）：transposei
INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("转置前", indArray16);
disp("转置操作", indArray16.transposei());
disp("transposei操作后的原值(已变)", indArray16);
- 执行结果
转置前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
*****************************************************
转置操作
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
*****************************************************
transposei操作后的原值(已变)
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
- 横向拼接：hstack，要求两个矩阵行数相等
// 2行3列
INDArray indArray17 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 2行1列
INDArray indArray18 = Nd4j.create(new float[] {1, 2}, new int[] {2,1});
disp("源矩阵", indArray17);
disp("拼接上的矩阵", indArray18);
// 2行3列的矩阵，横向拼接一列后，变成了2行4列
disp("横向拼接(每一行都增加一列)", Nd4j.hstack(indArray17, indArray18));
- 执行结果如下图，可见是把indArray18 横着拼到indArray17 的右侧
在这里插入图片描述
- 纵向拼接：vstack，要求两个矩阵列数相等
// 2行3列
INDArray indArray19 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 1行3列
INDArray indArray20 = Nd4j.create(new float[] {1, 2, 3}, new int[] {1,3});
disp("源矩阵", indArray17);
disp("拼接上的矩阵", indArray18);
// 2行3列的矩阵，纵向拼接一行，变成了3行3列
disp("纵向拼接(增加一行)", Nd4j.vstack(indArray19, indArray20));
- 执行结果如下图，可见是把indArray20放在了indArray19的底部
在这里插入图片描述
- 以上就是矩阵操作的常用API了，希望能给您一些参考，在深度学习的开发中更熟练的操作数据
你不孤单，欣宸原创一路相伴
- Java系列
- Spring系列
- Docker系列
- kubernetes系列
- 数据库+中间件系列
- DevOps系列
欢迎关注公众号：程序员欣宸
微信搜索「程序员欣宸」，我是欣宸，期待与您一同畅游Java世界...
https://github.com/zq2599/blog_demos