技术角 | 深度学习之《深度学习入门》学习笔记（一）Python入门
技术角 | 深度学习之《深度学习入门》学习笔记（一）Python入门
最近学习吴恩达《Machine Learning》课程以及《深度学习入门：基于Python的理论与实现》书，一些东西总结了下。现就后者学习进行笔记总结。本文是本书的学习笔记（一）Python入门。
目录
▪ NumPy
▪ Matplotlib
NumPy
import sys, os
sys.path.append('../input/deeplearningfromscratch/deeplearningfromscratch') # 为了导入父目录中的文件而进行的设定
import numpy as np
x= np.array([1.0, 2.0, 3.0])
print(x)
[1. 2. 3.]
type(x)
numpy.ndarray
# 下面是NumPy数组的算术运算例子
x = np.array([1.0, 2.0, 3.0])
y = np.array([2.0, 3.0, 4.0])
print(x + y)
print(x - y)
print(x * y) # element-wise porduct
print(x / y)
[3. 5. 7.] [-1. -1. -1.] [ 2. 6. 12.] [0.5 0.66666667 0.75 ]
当x和y的元素个数相同时，可以对各个元素进行算术运算。如果元素个数不同，程序就会报错。所以元素个数保持一致非常重要。
另外，对应元素的英文是element-wise，比如“对应元素的乘法”就是element-wisse product
NumPy数组也可以和单一的数值（标量）组合起来进行运算。此时，需要在NumPy数组的各个元素和标量之间进行运算。这个功能也被称为广播。
x = np.array([1.0, 2.0, 3.0])
print(x / 2.0)
[0.5 1. 1.5]
# NumPy的多维数组
A = np.array([[1, 2],[3, 4]])
print(A)
[[1 2] [3 4]]
矩阵的形状可以通过shape查看，矩阵元素的数据类型可以通过dtype查看
A.shape
(2, 2)
A.dtype
dtype('int64')
# 矩阵的算术运算
B = np.array([[3, 0],[0,6]])
A+B
array([[ 4, 2], [ 3, 10]])
A*B
array([[ 3, 0], [ 0, 24]])
同样，矩阵也可以通过标量（单一数值）对矩阵进行算术运算，这也是基于广播的功能
print(A)
A*10
[[1 2] [3 4]]
array([[10, 20], [30, 40]])
在上面这个例子中，标量10被扩展成了2x2的形状，然后再与矩阵A进行乘法运算。这个巧妙的功能称为广播。
# 一个广播的例子
A = np.array([[1, 2], [3, 4]])
B = np.array([10, 20])
A * B
array([[10, 40], [30, 80]])
上面这个运算中，一维数组B被巧妙地变成了和二维数组A相同的形状，然后再以对应元素的方式进行计算。
综上，因为NumPy有广播功能，所以不同形状的数组之间也可以顺利地进行运算。
# 访问元素
X = np.array([[51, 55],[14,19],[0,4]])
print(X)
[[51 55] [14 19] [ 0 4]]
for row in X:
print(row)
[51 55] [14 19] [0 4]
# 使用数组访问各个元素
X = X.flatten() # 将X转换为一维数组
print(X)
[51 55 14 19 0 4]
X[np.array([0,2,4])] #获取索引为0、2、4的元素
array([51, 14, 0])
# 从X中抽取大于15的元素
X > 15
array([ True, True, False, True, False, False])
X[X>15]
array([51, 55, 19])
对NumPy数组使用不等号运算符等（上例中是X>15），结果会得到一个布尔型的数组。上例中就是使用这个布尔型数组取出了数组的各个元素（取出True对应的元素）。
Matplotlib
import numpy as np
import matplotlib.pyplot as plt
#生成数据
x = np.arange(0, 6, 0.1) #生成0-6的数据，步长为0.1
y = np.sin(x)
#绘制图像
plt.plot(x,y)
plt.show()
# 尝试追加cos函数的图形，并尝试使用pyplot的添加标题和x轴标签名等其他功能
y2 = np.cos(x)
plt.plot(x, y, label="sin")
plt.plot(x, y2, linestyle = "--", label="cos")#用虚线绘制
plt.xlabel("x")
plt.ylabel("Y")
plt.title('sin & cos')
plt.legend()
plt.show()
pyplot中还提供了用于显示图像的方法imshow()。另外，可以使用matplotlib.image模块的imread()方法读入图像。
from matplotlib.image import imread
img = imread('../input/lixiangzhilu/1.jpg')
plt.imshow(img)
<matplotlib.image.AxesImage at 0x7f08bf324cf8>
