Conteúdo do curso Lição 10 de 246 · Módulo 1: Python para este curso
Módulo 1: Python para este curso

Formas: linhas, colunas, lotes

Por que isso importa A maioria dos bugs em código de redes neurais é bug de formato. Se você consegue prever um formato antes de rodar a linha, vai encontrá-los rápido.

Todo array tem um .shape: uma tupla com o tamanho dele em cada direção. Uma lista de 5 números tem formato (5,). Uma tabela de 3 linhas e 4 colunas tem formato (3, 4). Um batch de 32 imagens, cada uma com 28 por 28 pixels, tem formato (32, 28, 28).

Números pequenos

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

Acrescentando uma direção com None

Indexar com None insere uma nova direção de tamanho 1 naquele ponto, sem mudar nenhum número. Para um vetor p de formato (5,), p[:, None] tem formato (5, 1): uma coluna. É assim que você multiplica cada linha de uma tabela (5, 3) pelo seu próprio número: p[:, None] * X, porque a direção de tamanho 1 é copiada pelas 3 colunas. Da mesma forma, p[None, :] é uma linha, formato (1, 5).

axis: em qual direção uma operação corre. axis=0 desce pelas linhas (um resultado por coluna); axis=1 corre ao longo de cada linha (um resultado por linha).

Resumo Diga o formato em voz alta antes de rodar a linha.

Palavras e símbolos nesta lição
array
um bloco de números do NumPy, todos do mesmo tipo, que faz contas em todos os itens de uma vez
shape
o tamanho de um array em cada direção, por exemplo (32, 64) são 32 linhas de 64
axis
em qual direção uma operação corre: axis=0 desce pelas linhas, axis=1 ao longo de cada linha
mean, spread
a média, e mais ou menos o quanto os valores ficam longe dela (desvio padrão)
Sua vez

Preveja, sem executá-las, o formato de cada expressão abaixo para X = np.zeros((6, 3)) e w = np.zeros(3). Preencha predictions com tuplas. Depois execute para verificar por si mesmo.

  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 ())

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.