1、向量与矩阵的正确表示。
2、向量与矩阵的数学四则运算；
一、Python中的数据表示
只考虑数字类型的数据（其他的类型与数学运算关系不大，这里不考虑）。
（1）标量数据
#标量数据
scalar=20
（2）元组与列表
#元组列表数据
vector_1=[1,2,3,4]
vector_2=(1,2,3,4)
vector_3=np.array((1,2,3,4))
Python语言内置了元组与列表的数据表述类型（其区别在于稳定与不稳定的区别），这今后主要使用科学计算库，所以使用了numpy中的封装类型。可以使用Python内置列表类型构造numpy的ndarray对象，ndarray可以提供更加强大的运算。
注意：在元组与列表的使用选择上，建议使用列表（list）。
（3）二维与多维列表
#2.二维与多维数据
matrix_1=[
[1,2,3], [4,5,6],[7,8,9]]
matrix_2=(
(1,2,3), (4,5,6), (7,8,9))
matrix_3=(
(1,2,3), (4,5,6), [7,8,9])
vector_4=np.array([
[1,2,3], [4,5,6],[7,8,9]])
（4）元组、列表与标量的运算
元组、列表与标量的运算只支持乘法（*），其他运算+、-、%、//、**都不支持。
#元组、列表与标量的运算
#print(5-truple_1) #不支持+-
#print(list_1+5) #不支持+-
print(5*truple_1)#5倍克隆 (1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4)
print(list_1*5)#5倍克隆 [1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4]
#print(5/truple_1) #不支持/ // % **
#print(list_1**5) #不支持/ // % **
（5）元组、列表间运算
元组、列表间只支持+运算，其他运算（*、=、%、//、**）不支持
#元组、列表间的运算
print(truple_1+truple_2)#(1, 2, 3, 4, 0.1, 0.2, 0.3, 0.4)
#print(truple_1-truple_2)#不支持
print(truple_1*truple_2)#不支持
（6）向量与矩阵表示
使用一维ndarray表示向量，使用二维ndarray表示矩阵。由于内置元组与列表类型的运算比较简单，所以向量与矩阵，都使用numpy中的ndarray类型，不直接使用原元组与列表（元组与列表也支持一些数学四则运算）。从上面的运算我们可以看到这点。
【结论】：
【1】 不使用内置类型元组与列表表示向量与矩阵。
【2】不使用一维ndarray对象表示矩阵。
【3】矩阵使用二维ndarray对象，向量使用一维ndarray对象。
二、ndarray类型与向量、矩阵
numpy官网：http://www.numpy.org
numpy1.14.5的参考手册下载：【 下载 】
numpy1.14.5的用户教程下载：【 下载 】
1、ndarray类型
（1）ndarray构造器说明
如果没有buffer参数，则只有shape，dtype与order三个参数被使用，其他参数没有作用。
如果buffer参数被设置，则所有参数被使用，如果没有设置，则使用参数的默认值。
参数说明：
【shape】：数组的维数，也就是向量、矩阵的形状，用元组表示。
【dtype】：数组的类型；
【buffer】：数组的数据来源缓冲；
【offset】：数缓冲数据的开始获取位置；
【strides】：数据的步长，要求一个元组，元组对应数组维数的大小；
【order】： 数组数据取值的优先顺序，C风格（行优先），Fortran风格（列优先）
（2）构造器使用例子
其中重点理解dtype，buffer，offset，strides，order。
【dtype】需要是numpy中定义的数据类型，numpy定义的类型是使用python内置类型规范后重定义的。
【bufder】一般对缓冲使用字节码，不考虑维数，都是线性的字节流，元组与列表表示为缓冲字节流，可以直接使用ndarray对象，代码中array是一个创建ndarray对象的函数工具（下面会介绍这些工具，理解ndarray对象的结构后，使用这些工具非常简便，根据不同情况可以提高效率）。
【offset】是缓冲开始位置，单位是字节（byte），根据buffer中数据项大小确定。一般是buffer数据项大小的倍数，比如：0，8，16。
【strides】是数组的取值步长，隔多长取值，单位是字节。 一般也是数据项大小的倍数，比如对int类型而言就是0，8，16等。类型元组，对应数组维数大小，表示对应纬度的取值不长。
【order】表示取值的优先方式，「C」优先取行，「F」优先取列。
（3）理解dtype数据类型
在numpy中使用数据类型，兼容python的数据类型，同时定义了新的数据类型dtype。
下面是来自官方文档对numpy的数据类型的定义与说明：
【bool类型】
【int类型】
【无符号unsigned int类型】
【float类型】
【复数类型】
【对象类型】
（4）理解strides
【代码】
v=np.ndarray(shape=(3,3),#数组的维数大小，矩阵、向量的形状
dtype=np.int,#数组的元素类型
buffer=np.array((1,2,3,4,5,6,7,8,9)),#数组数据的存放缓冲（字节码格式）
offset=0,#数组数据缓冲的有效开始位置
strides=(24,8),#数组数据缓冲的数据获取步长
order='C')#数组的显示格式，C风格与Fortran风格
【理解】
其中strides=（24，8），因为buffer中使用的数据类型是int_，该类型大小是8，所以strides的数据是8的倍数。（24，8）表示行按照隔3个整数取值，列按照隔一个整取值。运行的结果为：
[ [1 2 3]
[4 5 6]
[7 8 9] ]
行的开始，按照3个间隔取值，就是1，4，7；列按照1个间隔取值分别从1，4，7后面开始取值。注意要确保缓冲是足够的。
如果buffer是（1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16）
问：strides=（32，8）构造什么样的数组？
[ [ 1 2 3]，[ 5 6 7]，[ 9 10 11] ]
问：strides=（32，24）构造什么样的数组？
[ [ 1 4 7]，[ 5 8 11]，[ 9 12 15] ]
附加：整数类型的数据类型长度获取结果：
print(np.int_().itemsize) #8
print(np.byte().itemsize) #1
print(np.int8().itemsize) #1
print(np.int16().itemsize) #2
print(np.int32().itemsize) #4
print(np.int64().itemsize) #8
（5）理解C风格与Fortran风格
【代码】
【运行结果】
F风格结果：
[ [1 3 5 7]
[2 4 6 8] ]
C风格结果
[ [1 2 3 4]
[5 6 7 8] ]
【理解】
一般在设置strides的情况下，order就不起效果，因为是用户定制的取值风格。一但设置strides情况下，就采用两种取值风格：Fortran风格与C风格。
【Fortran风格】：按照缓冲的顺序，从第1列，第2列，......，取值填充数组。
【C风格】：按照缓冲的顺序，从第1行，第2行，......，取值填充数组。
2、ndarray构造工具
（1）构建空、0与1值数组
【例子】
运行效果
（2）使用已有数据构建数组
【例子】略
（3）使用数组范围构建数组
【例子】略
（4）构建特殊矩阵
【例子】略
（5）直接使用数据构建矩阵
【例子】略
（6）构建数据集数组
【例子】略
（7）构建字符数组
【例子】略
提示：上述函数的使用比较简单，结果也是显而易见的，这里省略。
三、构建随机数组
在numpy中提供了随机数组构建工具，如下：
实际上numpy.random提供更多的随机分布来构建数组或者矩阵，这里列出一部分，我们常用会使用uniform，normal（高斯正态分布）等。
如果是专门针对矩阵，则官方参考文档列出如下相关参考：
四、向量与矩阵的四则运算
上面讲述了数组对象ndarray对象的构建，在今后的数学运算中，我们都采用ndarray表示向量与矩阵。
向量与矩阵本身区别不大，向量我们都称为行矩阵，或者列矩阵。
向量与矩阵的运算我们考虑三类：标量与向量，向量与向量，向量的函数运算。
首先构造一个向量矩阵与普通矩阵：
m_1_3=np.array((1,2,3))
m_3_4=np.array([
[1,2,3,4],
[4,5,6,7],
[7,8,9,10]
])
1、标量与ndarray对象的四则运算
标量与ndarray对象运算，等于变量与数组的每个元素对应运算，+，-，*，/，//，**都支持。
【代码】
【结果】
2、ndarray对象与ndarray对象的四则运算
（1）形状相同的运算
1）要求形状不同的不能运算。
2）形状相同可以运算，运算规则是ndarray数组对应元素相运算，运算支持+，-，*，/，//，**。
【例子】
对乘积来说就是数学中的【哈达马积（hadamard product）】
下面是乘法，除法，整除，求余，幂运算的例子
运行结果如下：
注意：
1）ndarray的四则运算支持，就可以支持函数运算，因为大部分函数中使用的运算符号，还是基于经典的四则运算意义。
2）所以在函数中使用向量与矩阵，一定要清楚对应的运算的含义。
尽管对普通意义的四则运算，只支持形状相同的向量与矩阵。对不同形状的矩阵或者向量，只对乘法赋予更多的定义：内积与Kronecker积。这两个积支持不同形状的向量与矩阵的运算，尽管还是有条件要求，换句话说就是：向量可以与矩阵做内积乘积与Kronecker积。
三种乘积的表示如下：
（2）内积
【条件】
被乘矩阵（向量）的列数必须与乘矩阵的行数相等。表示为公式就是如下：
注意：如果不写出表达式，则默认表示内积，因为内积是矩阵与向量最常见的运算，而不是哈马达积与克罗内克积。
【运算规则】
k×m的矩阵A与m×n的矩阵相乘B，得到k×n的新矩阵C，新矩阵的元素的值为：
矩阵的内积实现：dot函数介绍：
【例子】
运行结果：
注意：在numpy库中也定义了哈马达积的集中实现方式。
（3）Kronecker积（直积/张量积）
该乘积方式以德国数学家利奥波德·克罗内克命名。Kronecker积的定义如下：
numpy的Kronecker积实现：kron函数参考
Kronecker积分左右，其定义就是每个元素都全部相乘，m×n形状的矩阵与p×q形状的矩阵做Kronecker积，得到形状为mp×nq的矩阵。
【例子】
运行结果
提示：在数学上定义了两个矩阵的Khatri-Rao积。每种矩阵乘积都有其物理与现实意义，如果在深度学习中用到这个乘积，在详细阐述，目前还没有见到用过。
注意：
1）我们这里关注Kronecker积的目的在于，在卷积神经网络的池化层会使用这类运算。
2）numpy提供的outer函数与Kronecker积也有差异，后面专门主题说明。
本主题的代码下载：【 代码 】
本主题的公式下载：【 公式 】