الأشكال: الصفوف، الأعمدة، الدفعات
لماذا هذا مهم معظم الأخطاء في كود الشبكة العصبية هي أخطاء في الأبعاد. إذا استطعت توقع البعد قبل تشغيل السطر، فستجدها بسرعة.
لكل مصفوفة .shape: وهو زوج يعطي حجمها على طول كل اتجاه. قائمة من 5 أرقام لها shape (5,). جدول من 3 صفوف و4 أعمدة له shape (3, 4). دفعة من 32 صورة، كل منها 28 في 28 بكسل، لها shape (32, 28, 28).
أرقام صغيرة
X = np.zeros((3, 4))
X.shape # (3, 4)
X[0].shape # (4,) one row
X[:, 0].shape # (3,) one column
X.T.shape # (4, 3) transposed
X.sum(axis=0).shape # (4,) summed down the rows: one total per column
إضافة اتجاه بقيمة None
الفهرسة بـ None تُدرج اتجاهاً جديداً بحجم 1 في ذلك الموضع، دون تغيير أي رقم. لمتجه p بالشكل (5,)، يكون لـ p[:, None] الشكل (5, 1): عمود. وهكذا تضرب كل صف من جدول (5, 3) في رقمه الخاص: p[:, None] * X، لأن الاتجاه ذا الحجم 1 يُنسخ عبر الأعمدة الثلاثة. وبالمثل p[None, :] صف، بالشكل (1, 5).
axis: الاتجاه الذي تعمل فيه العملية. axis=0 يعمل على الصفوف (نتيجة واحدة لكل عمود)؛ axis=1 يعمل على كل صف (نتيجة واحدة لكل صف).
خلاصة قل اسم الشكل بصوت عالٍ قبل تشغيل السطر.
الكلمات والرموز في هذا الدرس
- array
- كتلة NumPy من الأرقام، كلها من نفس النوع، تقوم بعمليات حسابية على كل عنصر في وقت واحد
- shape
- حجم المصفوفة على طول كل اتجاه، على سبيل المثال (32, 64) يعني 32 صفاً من 64
- axis
- في أي اتجاه يتم تنفيذ العملية: axis=0 عبر الصفوف، axis=1 على طول كل صف
- mean، spread
- المتوسط، ومدى بعد القيم عنه تقريبًا (الانحراف المعياري)
توقّع، دون تشغيلها، شكل كل تعبير أدناه لـ X = np.zeros((6, 3)) وw = np.zeros(3). املأ predictions بصفوف (tuples). ثم شغّل لتتحقق من نفسك.
X[2]X[:, 1]X.TX.sum(axis=0)X.sum(axis=1)X @ wX[1:4]X.reshape(3, 6)X[:, None, :]X.mean()(استخدم())
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.