神经网络与深度学习day01-基础知识

今天开始新学期，然后就是每周要在这里发这周的实验报告，CSDN对不起了，你可能不情愿，但是必须要稍微容纳一下我(这个菜比)在这里吹了。

第一周的基础知识训练：

1、导入numpy库

import numpy

 2、建立一个一维数组a=[4,5,6]。输出：(1)a的类型；(2)a的各维度的大小；(3)a的第一个元素

a = [4,5,6]
print(type(a))
print(numpy.shape(a))
print(a[0])

运行结果：

 

3、建立一个二维数组 b,初始化为 [ [4, 5, 6],[1, 2, 3]] (1)输出各维度的大小（shape）(2)输出 b(0,0)，b(0,1),b(1,1) 这三个元素（对应值分别为4,5,2）

b = [ [4,5,6],[1,2,3]]
print(numpy.shape(b))
print(b[0][0],b[0][1],b[1][1])

运行结果：

4、(1)建立一个全0矩阵 a, 大小为 3x3; 类型为整型（提示: dtype = int）(2)建立一个全1矩阵b,大小为4x5; (3)建立一个单位矩阵c ,大小为4x4; (4)生成一个随机数矩阵d,大小为 3x2.

a = numpy.zeros((3,3))
a.dtype = 'int'
b = numpy.ones((4,5))
c = numpy.eye(4)
d = numpy.random.rand(3,2)

5、 建立一个数组 a,(值为[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]] ) ,(1)打印a; (2)输出 下标为(2,3),(0,0) 这两个数组元素的值

a = [[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]]
print(a)
print(a[2][3],a[0][0])

运行结果：

  

6、把上一题的 a数组的 0到1行 2到3列，放到b里面去，（此处不需要从新建立a,直接调用即可）(1),输出b;(2) 输出b 的（0,0）这个元素的值

b = list(b)
b.append(numpy.array(a)[:1,:])
b.append(numpy.array(a)[:,1:3])
print(b)
print(b[0][0])

运行结果：

 

7、把第5题中数组a的最后两行所有元素放到 c中，（提示： a[1:2, :]）(1)输出 c ; (2) 输出 c 中第一行的最后一个元素（提示，使用 -1 表示最后一个元素）

c = list(c)
c.append(numpy.array(a)[1:2,:])
print(c[0][-1])

运行结果：

 

8、建立数组a,初始化a为[[1, 2], [3, 4], [5, 6]]，输出 （0,0）（1,1）（2,0）这三个元素（提示： 使用 print(a[[0, 1, 2], [0, 1, 0]]) ）

a = [[1, 2], [3, 4], [5, 6]]
print(numpy.array(a)[[0, 1, 2], [0, 1, 0]])

运行结果：

 

9、建立矩阵a ,初始化为[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]，输出(0,0),(1,2),(2,0),(3,1) (提示使用 b = np.array([0, 2, 0, 1]) print(a[np.arange(4), b]))

a = [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
b = numpy.array([0, 2, 0, 1])
print(numpy.array(a)[numpy.arange(4), b])

运行结果：

 

10、对9 中输出的那四个元素，每个都加上10，然后重新输出矩阵a.(提示： a[np.arange(4), b] += 10 ）

numpy.array(a)[numpy.arange(4),b] +=10

array 的数学运算

11、执行 x = np.array([1, 2])，然后输出 x 的数据类型

import numpy as np
x = np.array([1,2])
print(type(x))

运行结果：

 

12、执行 x = np.array([1.0, 2.0]) ，然后输出 x 的数据类类型

x = np.array([1.0, 2.0])
print(type(x))

运行结果：

 

13、执行 x = np.array([[1, 2], [3, 4]], dtype=np.float64) ，y = np.array([[5, 6], [7, 8]], dtype=np.float64)，然后输出 x+y ,和 np.add(x,y)

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x + y)
print(np.add(x,y))

运行结果：

 

14、利用 13题目中的x,y 输出 x-y 和 np.subtract(x,y)

print(x-y)
print(np.subtract(x,y))

运行结果：

 

15、利用13题目中的x，y 输出 x*y ,和 np.multiply(x, y) 还有 np.dot(x,y),比较差异。然后自己换一个不是方阵的试试。

print(x*y)
print("multiply",np.multiply(x,y))
print("dot",np.dot(x,y))
"""
    差异：multipy是对应元素相乘，然后放到对应的位置中去
        而dot是按照矩阵相乘的方法求得结果
"""
my_matrix_test1 = np.array([[1,2],[3,4],[5,6]])
my_matrix_test2 = np.array([[1,2],[3,4],[5,6]])
# print("multiply_test111",np.multiply(my_matrix_test1,my_matrix_test2))#对应相乘
# print("dot_test111",np.dot(my_matrix_test1,my_matrix_test2))#不能输出若my_matrix_test2转置则可以运行

运行结果：

 

16、利用13题目中的x,y,输出 x / y .(提示 ： 使用函数 np.divide())

print(np.divide(x,y))

运行结果：

 

17、利用13题目中的x,输出 x的 开方。(提示： 使用函数 np.sqrt() )

print(np.sqrt(x))

运行结果：

 

18、利用13题目中的x,y ,执行 print(x.dot(y)) 和 print(np.dot(x,y))

print(x.dot(y))
print(np.dot(x,y))

运行结果：

 

19、利用13题目中的 x,进行求和。提示：输出三种求和 (1)print(np.sum(x)): (2)print(np.sum(x，axis =0 )); (3)print(np.sum(x,axis = 1))

print("19")
print(np.sum(x))
print(np.sum(x,axis=0))#对第一维度求和 sum = arr[0][n1][n2] + arr[1][n1][n2]
print(np.sum(x,axis=1))#对第二维度求和 sum = arr[n0][0][n2] + arr[n0][1][n2] + arr[n0][2][n2]

运行结果：

 

20、利用13题目中的 x,进行求平均数（提示：输出三种平均数(1)print(np.mean(x)) (2)print(np.mean(x,axis = 0))(3) print(np.mean(x,axis =1))）

print("first:",np.mean(x))
print("second:",np.mean(x,axis=0))
print("third:",np.mean(x,axis=1))

运行结果：

 

21、利用13题目中的x，对x 进行矩阵转置，然后输出转置后的结果，（提示： x.T 表示对 x 的转置）

print(np.array(x).T)

运行结果：

 

22、利用13题目中的x,求e的指数（提示： 函数 np.exp()）

y = np.exp(x)

23、利用13题目中的 x,求值最大的下标（提示(1)print(np.argmax(x)) ,(2) print(np.argmax(x, axis =0))(3)print(np.argmax(x),axis =1))

print(np.argmax(x))
print(np.argmax(x,axis=0))
print(np.argmax(x,axis=1))

运行结果：

 

24、画图，y=x*x 其中 x = np.arange(0, 100, 0.1) （提示这里用到 matplotlib.pyplot 库）

import matplotlib.pyplot as plt
x = np.arange(0,100,0.1)
y = x**2
plt.plot(x,y)
plt.title("y=x^2")
plt.ylim(0,10000)#设置y轴范围
plt.show()

运行结果：

 

25、画图。画正弦函数和余弦函数， x = np.arange(0, 3 * np.pi, 0.1)(提示：这里用到 np.sin() np.cos() 函数和 matplotlib.pyplot 库)

x = np.arange(0, 3*np.pi,0.1)
ysin = np.sin(x)
ycos = np.cos(x)
#画sinx
plt.plot(x,ysin)
plt.title("y=sinx")
plt.ylim(-1,1)
plt.show()
#画cosx
plt.plot(x,ycos)
plt.title("y=cosx")
plt.ylim(-1,1)
plt.show()

运行结果：

y=sinx

y = cosx

以上就是第一周的作业题，可以看我们老师的博客NNDL 实验一 numpy_HBU_David的博客-CSDN博客自己做一遍喔，这里是老师的标准答案：神经网络与深度学习（邱锡鹏）编程练习 1 实验 - HBU_DAVID - 博客园