سرفصل‌ها درس 10 از 246 · ماژول 1: پایتون برای این دوره
ماژول 1: پایتون برای این دوره

شکل‌ها: ردیف‌ها، ستون‌ها، دسته‌ها

چرا مهم است بیشتر اشکال‌های کد شبکهٔ عصبی اشکال‌های شکل‌اند. اگر بتوانید پیش از اجرای خط شکل را پیش‌بینی کنید، آن‌ها را سریع پیدا می‌کنید.

هر آرایه یک .shape دارد: تاپلی که اندازه‌اش را در هر جهت می‌دهد. فهرستی از 5 عدد شکل (5,) دارد. جدولی با 3 ردیف و 4 ستون شکل (3, 4) دارد. دسته‌ای از 32 تصویر، هر کدام 28 در 28 پیکسل، شکل (32, 28, 28) دارد.

اعداد کوچک

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

افزودن یک جهت با None

نمایه‌گذاری با None در آن نقطه جهت تازه‌ای با اندازهٔ 1 درج می‌کند، بی‌آنکه هیچ عددی تغییر کند. برای بردار p با شکل (5,)، p[:, None] شکل (5, 1) دارد: یک ستون. این‌طور است که هر ردیف یک جدول (5, 3) را در عدد خودش ضرب می‌کنید: p[:, None] * X، چون جهت با اندازهٔ 1 در سه ستون کپی می‌شود. به همین ترتیب p[None, :] یک ردیف است، با شکل (1, 5).

محور (axis): جهتی که یک عملیات در آن اجرا می‌شود. axis=0 در طول ردیف‌ها به پایین اجرا می‌شود (یک نتیجه برای هر ستون)؛ axis=1 در طول هر ردیف اجرا می‌شود (یک نتیجه برای هر ردیف).

خلاصه پیش از اجرای خط، شکل را بلند بگویید.

واژه‌ها و نمادهای این درس
آرایه
یک بلوک NumPy از اعداد، همه از یک نوع، که روی همهٔ اقلام با هم ریاضی انجام می‌دهد
شکل
اندازهٔ یک آرایه در هر جهت، برای مثال (32, 64) یعنی 32 ردیف 64تایی
محور (axis)
جهتی که یک عملیات در آن اجرا می‌شود: axis=0 در طول ردیف‌ها به پایین، axis=1 در طول هر ردیف
میانگین، پراکندگی
متوسط، و تقریباً اینکه مقدارها چقدر از آن فاصله دارند (انحراف معیار)
نوبت شما

بدون اجرا کردن، شکل هر عبارت زیر را برای X = np.zeros((6, 3)) و w = np.zeros(3) پیش‌بینی کنید. predictions را با تاپل‌ها پر کنید. سپس اجرا کنید تا خودتان را بسنجید.

  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() (از () استفاده کنید)

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.