随着机器学习技术越来越向着整个社会进行推广,因此学好线性代数和Python当中的numpy库就相当重要了。我们应该知道numpy库的使用是sklearn库和opencv库的基础。主要用于矩阵的计算。当然,我们做做数模或者人工神经网络建模也可以使用MATLAB。不过现在Python才是现在的主流,因为Python可以用于服务器后台的实现,不仅仅看可以用于科研,还可以做出一些比较实用的一些东西。如果还想用于物联网等领域的话,则可以使用C++进行算法的实现。因为我们在嵌入式开发当中,一般使用的是linux系统进行嵌入式开发。而在嵌入式linux系统当中的话,使用C++进行代码的实现占用系统资源较少,在物联网硬件资源有限的条件下,可以跑出极为高效的程序。如实现摄像头人脸识别检测,人体检测,指纹识别等十分神奇的人工智能识别功能。

首先开始第一部分的教程

SRE实战 互联网时代守护先锋,助力企业售后服务体系运筹帷幄!一键直达领取阿里云限量特价优惠。

一,数组的实现
@requires_authorization

>>> from numpy import *

>>> a1=array([1,1,1])    #定义一个数组

>>> a2=array([2,2,2])

>>> a1+a2                #对于元素相加

array([3, 3, 3])

>>> a1*2                 #乘一个数

array([2, 2, 2])

 

##

>>> a1=array([1,2,3])

>>> a1

array([1, 2, 3])

>>> a1**3              #表示对数组中的每个数做平方

array([ 1,  8, 27])

##取值,注意的是它是以0为开始坐标,不matlab不同

>>> a1[1]

2

 

##定义多维数组

>>> a3=array([[1,2,3],[4,5,6]])

>>> a3

array([[1, 2, 3],

       [4, 5, 6]])

>>> a3[0]             #取出第一行的数据

array([1, 2, 3])

>>> a3[0,0]           #第一行第一个数据

1

>>> a3[0][0]          #也可用这种方式

1

##数组点乘,相当于matlab点乘操作

 

 

 

>>> a1=array([1,2,3])

>>> a2=array([4,5,6])

>>> a1*a2

 

Numpy有许多的创建数组的函数:

 

import numpy as np

 

a = np.zeros((2,2))  # Create an array of all zeros

print a              # Prints "[[ 0.  0.]

                     #          [ 0.  0.]]"

 

b = np.ones((1,2))   # Create an array of all ones

print b              # Prints "[[ 1.  1.]]"

 

c = np.full((2,2), 7) # Create a constant array

print c               # Prints "[[ 7.  7.]

                      #          [ 7.  7.]]"

 

d = np.eye(2)        # Create a 2x2 identity matrix

print d              # Prints "[[ 1.  0.]

                     #          [ 0.  1.]]"

 

e = np.random.random((2,2)) # Create an array filled with random values

print e                     # Might print "[[ 0.91940167  0.08143941]

                            #               [ 0.68744134  0.87236687]]"

 

二,矩阵
#创建矩阵

>>> m=mat([1,2,3])

>>> m

matrix([[1, 2, 3]])

 

#取值

>>> m[0]                #取一行

matrix([[1, 2, 3]])

>>> m[0,1]              #第一行,第2个数据

2

>>> m[0][1]             #注意不能像数组那样取值了

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

  File "/usr/lib64/python2.7/site-packages/numpy/matrixlib/defmatrix.py", line 305, in __getitem__

    out = N.ndarray.__getitem__(self, index)

IndexError: index 1 is out of bounds for axis 0 with size 1

 

#将Python的列表转换成NumPy的矩阵

>>> list=[1,2,3]

>>> mat(list)

matrix([[1, 2, 3]])

 

#矩阵相乘

>>> m1=mat([1,2,3])     #1行3列

>>> m2=mat([4,5,6]) 

>>> m1*m2.T             #注意左列与右行相等 m2.T为转置操作

matrix([[32]])       

>>> multiply(m1,m2)     #执行点乘操作,要使用函数,特别注意

matrix([[ 4, 10, 18]])   

 

#排序

>>> m=mat([[2,5,1],[4,6,2]])    #创建2行3列矩阵

>>> m

matrix([[2, 5, 1],

        [4, 6, 2]])

>>> m.sort()                    #对每一行进行排序

>>> m

matrix([[1, 2, 5],

        [2, 4, 6]])

 

>>> m.shape                     #获得矩阵的行列数

(2, 3)

>>> m.shape[0]                  #获得矩阵的行数

2

>>> m.shape[1]                  #获得矩阵的列数

3

 

#索引取值

>>> m[1,:]                      #取得第一行的所有元素

matrix([[2, 4, 6]])

>>> m[1,0:1]                    #第一行第0个元素,注意左闭右开

matrix([[2]])

>>> m[1,0:3]

matrix([[2, 4, 6]])

>>> m[1,0:2]

matrix([[2, 4]])

三,扩展矩阵实现函数tile()
>>>x=mat([0,0,0])

>>> x

matrix([[0, 0, 0]])

>>> tile(x,(3,1))           #即将x扩展3个,j=1,表示其列数不变

matrix([[0, 0, 0],

        [0, 0, 0],

        [0, 0, 0]])

>>> tile(x,(2,2))           #x扩展2次,j=2,横向扩展

matrix([[0, 0, 0, 0, 0, 0],

        [0, 0, 0, 0, 0, 0]])

 

 

差不多也就这样了,如果学完numpy库的使用,那您运用计算机进行矩阵的计算能力一定会大大提升的。

扫码关注我们
微信号:SRE实战
拒绝背锅 运筹帷幄