Lehrplan Lektion 10 von 246 · Modul 1: Python für diesen Kurs
Modul 1: Python für diesen Kurs

Formen: Zeilen, Spalten, Batches

Warum das wichtig istDie meisten Bugs in Code für neuronale Netze sind Shape-Bugs. Wenn du eine Shape vor dem Ausführen der Zeile vorhersagen kannst, findest du sie schnell.

Jedes Array hat ein .shape: ein Tupel, das seine Größe in jeder Richtung angibt. Eine Liste von 5 Zahlen hat shape (5,). Eine Tabelle mit 3 Zeilen und 4 Spalten hat shape (3, 4). Ein Batch von 32 Bildern, jedes 28 mal 28 Pixel groß, hat shape (32, 28, 28).

Kleine Zahlen

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

Eine Richtung mit None hinzufügen

Indexing mit None fügt eine neue Dimension der Größe 1 an dieser Stelle ein, ohne Zahlen zu ändern. Für einen Vektor p der Form (5,) hat p[:, None] die Form (5, 1): eine Spalte. So multiplizierst du jede Zeile einer (5, 3) Tabelle mit ihrer eigenen Zahl: p[:, None] * X, weil die Dimension der Größe 1 über die 3 Spalten kopiert wird. Ebenso ist p[None, :] eine Zeile, Form (1, 5).

axis: in welche Richtung eine Operation verläuft. axis=0 läuft die Zeilen entlang (ein Ergebnis pro Spalte); axis=1 läuft entlang jeder Zeile (ein Ergebnis pro Zeile).

Zusammenfassung Sag die Form laut aus, bevor du die Zeile ausführst.

Wörter und Symbole in dieser Lektion
array
a NumPy Block von Zahlen, alle vom gleichen Typ, der Mathe auf jedem Element gleichzeitig macht
shape
die Größe eines Arrays in jeder Richtung, zum Beispiel (32, 64) sind 32 Zeilen von 64
axis
in welche Richtung eine Operation läuft: axis=0 entlang der Zeilen, axis=1 entlang jeder Zeile
mittelwert, Streuung
der Durchschnitt und etwa wie weit Werte davon abweichen (Standardabweichung)
Du bist dran

Vorhersage der Form jedes Ausdrucks unten für X = np.zeros((6, 3)) und w = np.zeros(3), ohne sie auszuführen. Fülle predictions mit Tupeln aus. Führe sie dann aus, um selbst zu prüfen.

  1. X[2]
  2. X[:, 1]
  3. X.T
  4. X.sum(axis=0)
  5. X.sum(axis=1)
  6. X @ w
  7. X[1:4]
  8. X.reshape(3, 6)
  9. X[:, None, :]
  10. X.mean() (use ())

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.