都知道线性回归模型要求解权重向量w，最传统的做法就是使用最小二乘法。根据在scikit-learn的文档，模型sklearn.linear_model.LinearRegression，使用的就是最小二乘法（least squares ）：
在过去的十年中，Python 已成为科学计算中最受欢迎的编程语言之一。 其成功的原因很多，随着您着手本书，这些原因将逐渐变得明显。 与许多其他数学语言（例如 MATLAB，R 和 Mathematica）不同，Python 是一种通用编程语言。 因此，它为构建科学应用并将其进一步扩展到任何商业或学术领域提供了合适的框架。 例如，考虑一个（某种）简单的应用，该应用要求您编写软件并预测博客文章的受欢迎程度。 通常，这些是您要执行此操作的步骤：
【GiantPandaCV】ThiNet是一种结构化剪枝，核心思路是找到一个channel的子集可以近似全集，那么就可以丢弃剩下的channel，对应的就是剪掉剩下的channel对应的filters。剪枝算法还是三步剪枝：train-prune-finetune，而且是layer by layer的剪枝。本文由作者授权首发于GiantPandaCV公众号。
回归作为数据分析中非常重要的一种方法，在量化中的应用也很多，从最简单的因子中性化到估计因子收益率，以及整个Barra框架，都是以回归为基础，本文总结各种回归方法以及python实现的代码。
对于一维数组或者列表，unique函数去除其中重复的元素，并按元素由大到小返回一个新的无元素重复的元组或者列表
一、数组方法 创建数组：arange()创建一维数组；array()创建一维或多维数组，其参数是类似于数组的对象，如列表等 反过来转换则可以使用numpy.ndarray.tolist()函数，如a.tolist() 创建数组：np.zeros((2,3))，或者np.ones((2,3))，参数是一个元组分别表示行数和列数 对应元素相乘，a * b，得到一个新的矩阵，形状要一致；但是允许a是向量而b是矩阵，a的列数必须等于b的列数，a与每个行向量对应元素相乘得到行向量。 + - / 与
一、数组方法 创建数组：arange()创建一维数组；array()创建一维或多维数组，其参数是类似于数组的对象，如列表等 反过来转换则可以使用numpy.ndarray.tolist()函数，如a.tolist() 创建数组：np.zeros((2,3))，或者np.ones((2,3))，参数是一个元组分别表示行数和列数 对应元素相乘，a * b，得到一个新的矩阵，形状要一致；但是允许a是向量而b是矩阵，a的列数必须等于b的列数，a与每个行向量对应元素相乘得到行向量。 + - / 与 * 的运
Numpy:是Numerical Python的简称，它是目前Python数值计算中最为基础的工具包，Numpy是用于数值科学计算的基础模块，不但能够完成科学计算的任而且能够用作高效的多维数据容器,可用于存储和处理大型矩阵。Numpy的数据容器能够保存任意类型的数据，这使得Numpy可以无缝并快速地整合各种数据。Numpy本身并没有提供很多高效的数据分析功能。理解Numpy数组即数组计算有利于更加高效地使用其他如pandas等数据分析工具。
# 来源：NumPy Essentials ch5 矩阵 import numpy as np ndArray = np.arange(9).reshape(3,3) # matrix 可以从 ndarray 直接构建 x = np.matrix(ndArray) # identity 用于构建单位矩阵 y = np.mat(np.identity(3)) x ''' matrix([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
numpy对于多维数组的运算在默认情况下并不使用矩阵运算，进行矩阵运算可以通过matrix对象或者矩阵函数来进行；
回归分析是金融中一个绕不过的话题，其实最好的工具应该是R语言，但是pandas其实也是能够胜任绝大部分工作的。
python3自定义算法排序 sorted(a1, key = functools.cmp_to_key(cmp)) a1是待排序list，cmp为排序函数
Numba 的 @vectorize 装饰器可以将以标量为输入的的python函数编译为类似Numpy的 ufuncs。创建一个传统的NumPy ufunc并不是最简单的过程，它可能需要编写一些C代码。Numba让这很容易。使用@vectorize装饰器 ，Numba可以将纯Python函数编译成ufunc，该ufunc在NumPy数组上运行的速度与用C编写的传统ufunc一样快。
本文简单介绍NumPy模块的两个基本对象ndarray、ufunc，介绍ndarray对象的几种生成方法及如何存取其元素、如何操作矩阵或多维数组、如何进行数据合并与展平等。最后说明通用函数及广播机制。
如果只是从事简单的数据分析，其实numpy的用处并不是很大。简单了解一下numpy，学好pandas已经够用，尤其是对于结构化或表格化数据。但是精通面向数组的编程和思维方式是成为python科学计算牛人的关键一步。
Scipy 对优化最小二乘 Loss 的方法做了一些封装，主要有 scipy.linalg.lstsq 和 scipy.optimize.leastsq 两种，此外还有 scipy.optimize.curve_fit 也可以用于拟合最小二乘参数。
Python中常用的基本数据结构有很多，通常我们在进行简单的数值存储的时候都会使用list来进行，但是list的缺点在于对于每一个元素都需要有指针和对象，对于数值运算来说，list显然是比较浪费内存和CPU计算时间的。为了弥补这种结构的不足，Numpy诞生了，在Numpy中提供了两种基本的对象：ndarray和ufunc。ndarray是存储单一数据类型的多维数组，ufunc则是能够对数组进行处理的函数。
让我们开始吧。 我们将在不同的操作系统上安装 NumPy 和相关软件，并看一些使用 NumPy 的简单代码。 本章简要介绍了 IPython 交互式 shell。 SciPy 与 NumPy 密切相关，因此您将看到 SciPy 名称出现在此处和那里。 在本章的最后，您将找到有关如何在线获取更多信息的指南，如果您陷入困境或不确定解决问题的最佳方法。
----------------------------------------------------------------------------------------
离散卷积其实就是系数数组的多项式乘法。例如计算[1, 2, 0, 3]和[1, -2, 5]的卷积：
✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。 🍎个人主页：小嗷犬的博客 🍊个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。 🥭本文内容：Python 数据处理：NumPy库 ---- Python 数据处理：NumPy库 1.NumPy简介 2.NumPy的ndarray：一种多维数组对象 2.1 创建ndarray 2.2 ndarray的数据类型 2.3 NumPy数组的运算 2.4 基本的索引和切片 2.5 切片索引 2.6 布尔型索引 2
numpy中最主要的对象是同质数组array，也就是说数组中的元素类型都是一样的。数组的维度也称之为axis，axis的的个数称之为秩rank。
到目前为止，我们一直在讨论 NumPy 的一些基本要点；在接下来的几节中，我们将深入探讨 NumPy 在 Python 数据科学领域如此重要的原因。也就是说，它为数据数组的最优计算，提供了一个简单而灵活的接口。
在NumPy中，多维数组除了基本的算数运算之外，还内置了一些非常有用的函数，可以加快我们的科学计算的速度。
文章提出的STN的作用类似于传统的矫正的作用。比如人脸识别中，需要先对检测的图片进行关键点检测，然后使用关键点来进行对齐操作。但是这样的一个过程是需要额外进行处理的。但是有了STN后，检测完的人脸，直接就可以做对齐操作。关键的一点就是这个矫正过程是可以进行梯度传导的。想象一下，人脸检测完了，直接使用ROI pooling取出人脸的feature map，输入STN就可以进行矫正，输出矫正后的人脸。后面还可以再接点卷积操作，直接就可以进行分类，人脸识别的训练。整个流程从理论上来说，都有梯度传导，理论上可以将检测+对齐+识别使用一个网络实现。当然实际操作中可能会有各种trick。
numpy.matrix方法的参数可以为ndarray对象 numpy.matrix方法的参数也可以为字符串str，示例如下：
如果你使用 Python 语言进行科学计算，那么一定会接触到 Numpy。Numpy 是支持 Python 语言的数值计算扩充库，其拥有强大的高维度数组处理与矩阵运算能力。除此之外，Numpy 还内建了大量的函数，方便你快速构建数学模型。
arr=np.array(data) #将列表转为numpy.ndarray np.array([2,4])
说明本文主要是关于Numpy的一些总结，包括他们的一些运算公式，我整理一下方便日后查阅公式!
vectorize（）允许您编写一次只能处理一个元素的UFUNC，但guvectorize（）装饰器将这一概念更进一步，允许您编写可以处理任意数量的输入数组元素的UFUNC，并获取和返回不同维度的数组。
根据布尔值数组的特点，True会被强制为1，False会被强制为0，因此可以计算布尔值数组中True的个数；并且对布尔值数组有两个有用的方法any和all。any检查数组中是否至少有一个True，all检查是否全都是True。
在前面的博客已经介绍过多元回归模型，现在这里粗略介绍如下 python 实现案例 1、选取数据 #!usr/bin/env python #_*_ coding:utf-8 _*_ import
相应的参数说明。 fit_intercept: 布尔型，默认为true 说明：是否对训练数据进行中心化。如果该变量为false，则表明输入的数据已经进行了中心化，在下面的过程里不进行中心化处理；否则，对输入的训练数据进行中心化处理 normalize布尔型，默认为false 说明：是否对数据进行标准化处理 copy_X 布尔型，默认为true 说明：是否对X复制，如果选择false，则直接对原数据进行覆盖。（即经过中心化，标准化后，是否把新数据覆盖到原数据上） **n_jobs整型， 默认为1 说明：计算时设置的任务个数(number of jobs)。如果选择-1则代表使用所有的CPU。这一参数的对于目标个数>1（n_targets>1）且足够大规模的问题有加速作用。 返回值：
Numpy简介 python标准库中的列表(list)可以当数组用，支持动态内存分配和垃圾收集，列表元素可以是任何对象，功能强大！ 列表的缺点： 慢：循环时有各种下标检查和类型检查 占内存多：保存的是对象+指针 NumPy的优点： 两大法宝：多维数组ndarray和通用函数ufunc 面向数值计算，速度快（内置函数逼近c语言） NumPy官方提供丰富的中文资源 如何使用Numpy等python第三方软件包？（如何开外挂？） 先导入再使用，没导入就没法用 如何导入？用import 被import的可以是通过c
如果要对嵌套列表进行数组运算，可以使用循环来完成。例如，要为嵌套列表中的每一个元素都加上 1，可以使用下面的嵌套列表推导式
numpy的功能: 提供数组的矢量化操作，所谓矢量化就是不用循环就能将运算符应用到数组中的每个元素中。 提供数学函数应用到每个数组中元素 提供线性代数，随机数生成，傅里叶变换等数学模块 numpy数组操作 numpy.array([],dttype=)生成ndarry数组,dttype指定存储数据类型 numpy.zeros((3,4))生成指定元素0的3行4列矩阵。 numpy.reshape((2,2))转换数组阵维数为2行2列 numpy.ara
ufunc是universal function的缩写，它是一种能对数组的每个元素进行操作的函数。NumPy内置的许多ufunc函数都是在C语言级别实现的，因此它们的计算速度非常快。让我们来看一个例子：
本书中，我已经介绍了Python数据分析的编程基础。因为数据分析师和科学家总是在数据规整和准备上花费大量时间，这本书的重点在于掌握这些功能。 开发模型选用什么库取决于应用本身。许多统计问题可以用简单方法解决，比如普通的最小二乘回归，其它问题可能需要复杂的机器学习方法。幸运的是，Python已经成为了运用这些分析方法的语言之一，因此读完此书，你可以探索许多工具。 本章中，我会回顾一些pandas的特点，在你胶着于pandas数据规整和模型拟合和评分时，它们可能派上用场。然后我会简短介绍两个流行的建模工具，st
Scipy中的special模块是一个非常完整的函数库，其中包含了基本数学函数，特殊数学函数以及numpy中所出现的所有函数。伽马函数是概率统计学中经常出现的一个特殊函数，它的计算公司如下：
当改为 3 阶拟合时，多项式回归 r-squared值 0.8356924156037133 当改为 4 阶拟合时，多项式回归 r-squared值 0.8095880795746723 当改为 9 阶拟合时，多项式回归 r-squared值 -0.09435666704315328
计算这百万个操作并存储结果需要几秒钟！甚至现在的手机的处理速度都以Giga-FLOPS衡量时（即每秒数十亿次数字运算）。 不过事实证明，这里的瓶颈不是操操作系统作本身，而是CPython在循环的每个循环中必须执行的类型检查和函数分派。 每次计算倒数时，Python都会首先检查对象的类型，并动态查找要用于该类型的正确函数。如果我们使用的是已编译的代码（静态语言的优势），则在代码执行之前便会知道此类型规范，并且可以更有效地计算结果。
由于NumPy提供了一个简单易用的C API，因此很容易将数据传递给由低级语言编写的外部库，外部库也能以NumPy数组的形式将数据返回给Python。这个功能使Python成为一种包装C/C++/Fortran历史代码库的选择，并使被包装库拥有一个动态的、易用的接口。
1.np的重要属性2.创建数组3.打印数组4.索引与切片5.数组相关操作6.ufunc运算7.函数库
为了计算充分统计量，即后验预测分布的均值和协方差矩阵，我们用下面代码实现公式（4）和（5）
前段时间准备情人节礼物，想到了能不能用过去所有的照片作为像素点，合成为一张合照。但是，我也没有处理这方面问题的经验，于是上网查找，果然找到了一个相关的代码（原网址实在找不到了，就不贴了）。花了一晚上的时间研究学习，最终实现了合成照片的功能，并学习了很多以前没有接触过的Python库，加以记录。
Pandas是Python中非常常用的数据处理工具，使用起来非常方便。它建立在NumPy数组结构之上，所以它的很多操作通过NumPy或者Pandas自带的扩展模块编写，这些模块用Cython编写并编译到C，并且在C上执行，因此也保证了处理速度。
领取专属 10元无门槛券
手把手带您无忧上云
