成都网站设计成功柚v米科技,做鞋的网站,与设计行业相关的网站,怎么添加视频到wordpress在深度神经网络代码中经常用到numpy库的一些函数#xff0c;很多看过之后很容易忘记#xff0c;本文对经常使用的函数进行归纳总结。
np.arange
arange是numpy一个常用的函数#xff0c;该函数主要用于创建等差数列。它的使用方法如下所示#xff1a; numpy.arange([star…在深度神经网络代码中经常用到numpy库的一些函数很多看过之后很容易忘记本文对经常使用的函数进行归纳总结。
np.arange
arange是numpy一个常用的函数该函数主要用于创建等差数列。它的使用方法如下所示 numpy.arange([start,] stop[, step]) 参数说明
start起始值默认为0stop结束值不包含左闭右开step步长可选默认为1
注意该函数返回值类型为“class numpy.ndarray”
基础用法
import numpy as np# 1. 只有一个参数终点
a np.arange(5)
print(a) # [0 1 2 3 4]
print(type(a)) #class numpy.ndarray 返回类型# 2. 指定起点和终点
b np.arange(2, 6)
print(b) # [2 3 4 5]# 3. 指定起点、终点和步长
c np.arange(0, 10, 2)
print(c) # [0 2 4 6 8]# 4. 负步长
d np.arange(5, -1, -1)
print(d) # [5 4 3 2 1 0]
另外arange也支持浮点数步长请看下面的例子
import numpy as npa np.arange(1,2,0.2)
print(a) #[1.0,1.2,1.4,1.6,1.8]
np.array
这是numpy最基础也是最重要的数据结构。array函数创建序列需要从列表或者元组进行创建这一点是与arange不相同的。
基础用法
import numpy as np# 1. 从列表创建
arr1 np.array([1, 2, 3, 4, 5])
print(一维数组:, arr1)# 2. 从嵌套列表创建多维数组
arr2 np.array([[1, 2, 3], [4, 5, 6]])
print(二维数组:\n, arr2)# 3. 指定数据类型
arr3 np.array([1, 2, 3], dtypefloat)
print(浮点数数组:, arr3)# 4. 从元组创建
arr4 np.array((1, 2, 3))
print(从元组创建:, arr4)数组属性
import numpy as npdef array_properties():arr np.array([[1, 2, 3], [4, 5, 6]])print(维度:, arr.ndim) # 2print(形状:, arr.shape) # (2, 3)print(大小:, arr.size) # 6print(数据类型:, arr.dtype) # int64print(每个元素的字节数:, arr.itemsize)print(总字节数:, arr.nbytes)print(数据存储顺序:, arr.flags)常见的数组操作
import numpy as np# 1. 基本操作
def basic_operations():arr np.array([[1, 2, 3], [4, 5, 6]])# 重塑reshaped arr.reshape(3, 2)print(重塑后:\n, reshaped)# 转置transposed arr.Tprint(转置后:\n, transposed)# 展平flattened arr.flatten()print(展平后:, flattened)# 2. 数组切片
def array_slicing():arr np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])# 基本切片print(前两行:\n, arr[:2])print(第二列:, arr[:, 1])print(子矩阵:\n, arr[1:3, 1:3])# 高级索引indices np.array([0, 2])print(选择行:, arr[indices])# 布尔索引mask arr 5print(大于5的元素:, arr[mask])数组广播
import numpy as npdef broadcasting_examples():# 1. 标量广播arr np.array([[1, 2, 3], [4, 5, 6]])print(加标量:\n, arr 1)# 2. 数组广播row np.array([1, 2, 3])print(加行向量:\n, arr row)col np.array([[1], [2]])print(加列向量:\n, arr col)# 3. 广播规则示例a np.array([[1, 2, 3], [4, 5, 6]]) # shape: (2, 3)b np.array([10, 20, 30]) # shape: (3,)print(广播结果:\n, a b)broadcasting_examples()
#输出
加标量:[[2 3 4][5 6 7]]
加行向量:[[2 4 6][5 7 9]]
加列向量:[[2 3 4][6 7 8]]
广播结果:[[11 22 33][14 25 36]]
视图和副本
def views_and_copies():arr np.array([[1, 2, 3], [4, 5, 6]])# 视图view arr.view()view[0, 0] 99print(原数组被修改:\n, arr)# 副本copy arr.copy()copy[0, 0] 88print(原数组未被修改:\n, arr)#输出
视图 [[1 2 3][4 5 6]]
原数组被修改:[[99 2 3][ 4 5 6]]
原数组未被修改:[[99 2 3][ 4 5 6]]
view() 创建一个数组视图它与原数组共享相同的数据但可以有不同的形状或数据类型。关键点是
视图是共享数据的新数组对象修改视图中的数据会影响原数组视图的形状改变不影响原数组 看看下面的例子
import numpy as npdef dtype_views():# 1. 创建整数数组arr np.array([1, 2, 3, 4], dtypenp.int32)# 2. 创建float类型的视图view_float arr.view(np.float32)print(原数组:, arr)print(原数组类型:, arr.dtype)print(原数组id,id(arr))print(视图:, view_float)print(视图类型:, view_float.dtype)print(原数组id,id(view_float))
dtype_views()#输出
原数组: [1 2 3 4]
原数组类型: int32
原数组id 136153673669328
视图: [1.e-45 3.e-45 4.e-45 6.e-45]
视图类型: float32
原数组id 136153673387632
通过上面的结果可以看到view方法返回的对象与原数组的对象id是不同的但是他们的实际数据是存储在同一个位置的所以修改view原数组也会修改。这里就不在深入介绍了。
结论
视图不复制数据只创建新的数组对象视图创建了新的数组对象但指向相同的数据
实际应用场景
import numpy as np# 1. 数据类型转换而不复制
def efficient_type_conversion():# 创建大数组arr np.arange(1000000, dtypenp.int32)# 使用视图转换类型高效float_view arr.view(np.float32)# 对比复制方式float_copy arr.astype(np.float32)print(视图是否共享内存:, np.shares_memory(arr, float_view))print(副本是否共享内存:, np.shares_memory(arr, float_copy))# 2. 图像处理中的应用
def image_processing():# 创建模拟图像数据img np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]], dtypenp.uint8)# 创建展平视图进行处理flat_view img.view()flat_view.shape (-1,)# 处理数据flat_view 10print(处理后的图像:\n, img)np.where
这是一个非常强大的函数它的主要作用
条件查找返回满足条件的元素索引条件选择根据条件从两个数组中选择元素
条件查找
import numpy as npdef basic_where:arr np.array([1, 2, 3, 4, 5, 4, 3, 2, 1]) #array创建序列需要基于列表创建#找出所有大于3的索引和对应的值indices np.where(arr 3)print(f索引{indices})print(f对应的值{arr[indices]})# 找出所有偶数的索引even_indices np.where(arr % 2 0)print(f偶数索引: {even_indices})print(f偶数值: {arr[even_indices]})#多维数组示例arr_2d np.array([[1,2,3],[4,5,6],[7,8,9]])rows, cols np.where(arr_2d 5)print(行索引:, rows) #行索引: [1 2 2 2]print(列索引:, cols) #列索引: [2 0 1 2]print(对应的值:, arr_2d[rows, cols]) #对应的值: [6 7 8 9]result np.where(arr_2d 5)print(结果,result) #行索引: (array([1, 2, 2, 2]), array([2, 0, 1, 2]))
由此可见np.where对于二维数组或多维数组进行条件检查返回的是各个维度索引的组成的元组。
条件选择
import numpy as np# 基本条件选择
def conditional_selection():arr np.array([1, 2, 3, 4, 5])# 根据条件选择值# where(condition, x, y) # 当condition为True时选择x为False时选择yresult np.where(arr 3, arr, -1)print(result) # [-1 -1 -1 4 5]# 使用数组作为替换值result2 np.where(arr % 2 0, arr * 2, arr * 3)print(result2) # [3 4 9 8 15]# 多维数组条件选择
def multidim_conditional():arr_2d np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])# 将大于5的元素替换为100result np.where(arr_2d 5, 100, arr_2d)print(result) #[[ 1 2 3]# [ 4 5 100]#[100 100 100]]
np.linspace
