Temario Lección 10 de 246 · Módulo 1: Python para este curso
Módulo 1: Python para este curso

Formas: filas, columnas, lotes

Por qué importa La mayoría de los errores en el código de redes neuronales son errores de forma. Si puedes predecir una forma antes de ejecutar la línea, los encontrarás rápido.

Cada array tiene un .shape: una tupla con su tamaño en cada dirección. Una lista de 5 números tiene forma (5,). Una tabla de 3 filas y 4 columnas tiene forma (3, 4). Un lote de 32 imágenes, cada una de 28 por 28 píxeles, tiene forma (32, 28, 28).

Números diminutos

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

Añadir una dirección con None

Indexar con None inserta en ese sitio una dirección nueva de tamaño 1, sin cambiar ningún número. Para un vector p de forma (5,), p[:, None] tiene forma (5, 1): una columna. Así se multiplica cada fila de una tabla de (5, 3) por su propio número: p[:, None] * X, porque la dirección de tamaño 1 se copia a lo largo de las 3 columnas. Del mismo modo p[None, :] es una fila, de forma (1, 5).

axis: la dirección a lo largo de la que va una operación. axis=0 va hacia abajo por las filas (un resultado por columna); axis=1 va a lo largo de cada fila (un resultado por fila).

Resumen Di la forma en voz alta antes de ejecutar la línea.

Palabras y símbolos de esta lección
array
un bloque de números de NumPy, todos del mismo tipo, que hace las cuentas sobre cada elemento a la vez
forma
el tamaño de un array en cada dirección, por ejemplo (32, 64) son 32 filas de 64
axis
la dirección a lo largo de la que va una operación: axis=0 hacia abajo por las filas, axis=1 a lo largo de cada fila
media, dispersión
el promedio, y más o menos lo lejos que están los valores de él (la desviación típica)
Tu turno

Predice, sin ejecutarlas, la forma de cada expresión de abajo para X = np.zeros((6, 3)) y w = np.zeros(3). Rellena predictions con tuplas. Luego ejecuta para comprobarlo.

  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() (usa ())

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.