Pytorch深度学习教程_2_Numpy数值计算
欢迎来到PyTorch深度学习教程系列！在本系列中，我们将从零开始学习如何使用PyTorch进行深度学习开发。本篇是系列的第二篇，我们将快速掌握Numpy数值计算，为后续的深度学习学习打下坚实的基础。
对于深度学习环境配置及pytorch的下载安装可以用我写的博客：
2025最新深度学习pytorch完整配置：conda/jupyter/vscode-CSDN博客
之前的一篇博客系统梳理了python的框架，可以先看这个：
Pytorch深度学习教程_1_Python基础快速掌握-CSDN博客
目录
1.NumPy基础
什么是 NumPy 数组？
创建 NumPy 数组
从 Python 列表创建：
使用内置函数创建：
NumPy 数组的关键属性
基本操作
算术运算：
索引和切片：访问数组中的特定元素或子集。
2.数组操作和广播机制
基本数组操作
广播机制
常见问题和最佳实践
3.Numpy线性代数计算
数据形式
向量：用一维NumPy数组表示。
矩阵：用二维NumPy数组表示。
基本线性代数运算
矩阵乘法：
矩阵求逆：
行列式：
特征值和特征向量：
线性代数是许多领域的基础：
4.Numpy数据操作
重塑数组
合并数组
分割数组
索引和切片的深入
挑战和注意事项
5.结语
1.NumPy基础
NumPy 是 Python 中数值计算的基石库。它提供了高性能的多维数组对象，以及大量用于操作这些数组的函数集合。
什么是 NumPy 数组？
与 Python 列表不同，NumPy 数组是同构的，意味着它们包含相同数据类型的元素。这种统一性使得计算和内存使用效率更高。此外，NumPy 数组支持多维结构，非常适合表示矩阵和张量。
创建 NumPy 数组
你可以从多种来源创建 NumPy 数组：
从 Python 列表创建：
import numpy as np
my_list = [1, 2, 3, 4]
my_array = np.array(my_list)
使用内置函数创建：
zeros = np.zeros(5) # 创建一个全零数组
ones = np.ones((2, 3)) # 创建一个 2x3 的全一数组
arange = np.arange(10) # 创建一个从 0 到 9 的数组NumPy 数组的关键属性
-
形状 (Shape)：定义数组的维度。
print(my_array.shape) # 输出数组的形状
- 数据类型 (Data type)：指定数组中元素的类型。
print(my_array.dtype) # 输出数组的数据类型
- 大小 (Size)：数组中元素的总数。
print(my_array.size) # 输出数组的元素个数 
基本操作
NumPy 擅长在数组上进行元素级操作，相比 Python 列表具有显著的速度优势。
算术运算：
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
result = x + y # 元素级加法索引和切片：访问数组中的特定元素或子集。
first_element = my_array[0] # 获取第一个元素
subarray = my_array[1:3] # 获取从索引 1 到 2 的子数组
2.数组操作和广播机制
NumPy 允许对整个数组进行操作，而不需要显式的循环，这得益于向量化和广播机制。
基本数组操作
算术运算在兼容的数组上按元素进行：
import numpy as np
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
sum_array = x + y # 元素级加法
difference = x - y # 元素级减法
product = x * y # 元素级乘法
division = x / y # 元素级除法聚合函数用于计算数组的统计信息：
mean_value = np.mean(x)
sum_value = np.sum(x)
max_value = np.max(x)
min_value = np.min(x)广播机制
广播是 NumPy 的一项功能，允许在不同形状的数组之间进行操作，通过扩展较小的数组以匹配较大数组的形状。
scalar = 2
array = np.array([1, 2, 3])
result = array * scalar # 将标量扩展为数组形状更复杂的广播机制：
a = np.array([[1, 2], [3, 4]])
b = np.array([10, 20])
result = a * b # 将 b 扩展以匹配 a 的形状常见问题和最佳实践
- 形状不匹配：确保数组在操作时形状兼容。
- 索引错误：注意索引范围，避免越界错误。
- 性能优化：尽量使用向量化操作以提高效率。
- 代码清晰：使用清晰的变量名和注释。
通过掌握数组操作和广播机制，可以充分发挥 NumPy 在数值计算方面的潜力。
3.Numpy线性代数计算
线性代数涉及向量空间、线性变换和线性方程组。它是从图像处理到机器学习等各种应用背后的数学语言。NumPy提供了一套丰富的函数来进行线性代数运算，使其成为数据科学家和工程师的强大工具。
数据形式
向量：用一维NumPy数组表示。
import numpy as np
vector = np.array([1, 2, 3])矩阵：用二维NumPy数组表示。
matrix = np.array([[1, 2], [3, 4]])基本线性代数运算
矩阵乘法：
result = np.dot(matrix1, matrix2)矩阵求逆：
inverse = np.linalg.inv(matrix)行列式：
determinant = np.linalg.det(matrix)特征值和特征向量：
eigenvalues, eigenvectors = np.linalg.eig(matrix)线性代数是许多领域的基础：
- 机器学习：用于回归、分类和神经网络。
- 图像处理：将图像表示为矩阵并进行变换。
- 计算机图形学：使用矩阵操作3D对象。
- 物理和工程：用线性方程建模物理系统。
4.Numpy数据操作
NumPy 是一个强大的工具，用于处理和重塑数组，以满足数据处理需求。这些操作对于准备机器学习数据和执行各种计算至关重要。
重塑数组
重塑数组是指在不改变数据的情况下改变数组的形状。
import numpy as np
array = np.arange(12)
reshaped_array = array.reshape(3, 4)展平数组是指将多维数组转换为一维数组。
flattened_array = reshaped_array.flatten()合并数组
连接数组是指沿着现有轴连接数组。
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
combined_array = np.concatenate((array1, array2))堆叠数组是指沿着新轴堆叠多个数组，创建一个新的数组。
stacked_array = np.stack((array1, array2))分割数组
分割数组是指将数组分成多个子数组。
split_array = np.split(array, 3)索引和切片的深入
我们已经了解了基本的索引和切片操作，现在让我们更深入地探讨。
花式索引是指使用索引数组来选择元素。
indices = [1, 3]
selected_elements = array[indices]布尔索引是指根据布尔条件选择元素。
condition = array > 5
filtered_array = array[condition]挑战和注意事项
- 形状兼容性：确保数组在操作（如连接和堆叠）时具有兼容的形状。
- 效率：对于大型数据集，考虑使用优化的函数，如
np.concatenate，而不是循环。 - 内存使用：在重塑或创建大型数组时，注意内存消耗。
通过掌握数组操作技术，你将能够高效地处理各种数据处理任务。
5.结语
如此一来，你已经快速掌握了numpy的基本使用，接下来在实践的过程中，遇到更多的numpy问题，可以边用边查，这个是最好的。
下一章我们正式开始pytorch的学习！