Formes : lignes, colonnes, lots
Pourquoi c'est important La plupart des bogues dans le code de réseaux de neurones sont des bogues de forme. Si tu sais prédire une forme avant d'exécuter la ligne, tu les trouveras vite.
Chaque tableau a un .shape : un tuple qui donne sa taille dans chaque direction. Une liste de 5 nombres a la forme (5,). Une table de 3 lignes et 4 colonnes a la forme (3, 4). Un lot de 32 images de 28 par 28 pixels chacune a la forme (32, 28, 28).
De tout petits nombres
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
Ajouter une direction avec None
Indexer avec None insère une nouvelle direction de taille 1 à cet endroit, sans changer aucun nombre. Pour un vecteur p de forme (5,), p[:, None] a la forme (5, 1) : une colonne. C'est ainsi qu'on multiplie chaque ligne d'une table (5, 3) par son propre nombre : p[:, None] * X, parce que la direction de taille 1 est recopiée sur les 3 colonnes. De même, p[None, :] est une ligne, de forme (1, 5).
axis : la direction le long de laquelle une opération s'applique. axis=0 descend le long des lignes (un résultat par colonne) ; axis=1 parcourt chaque ligne (un résultat par ligne).
Récap Dis la forme à voix haute avant d'exécuter la ligne.
Mots et symboles de cette leçon
- tableau
- un bloc NumPy de nombres, tous du même type, qui fait des maths sur chaque élément d'un coup
- forme
- la taille d'un tableau dans chaque direction, par exemple (32, 64), c'est 32 lignes de 64
- axis
- la direction le long de laquelle une opération s'applique : axis=0 le long des lignes, axis=1 le long de chaque ligne
- moyenne, dispersion
- la moyenne, et à peu près à quelle distance les valeurs s'en trouvent (écart type)
Prédis, sans les exécuter, la forme de chaque expression ci-dessous pour X = np.zeros((6, 3)) et w = np.zeros(3). Remplis predictions avec des tuples. Puis exécute pour te vérifier.
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()(utilise())
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.