形状:行、列、批次
为什么重要 神经网络代码中的大多数 bug 都是形状 bug。如果你能在运行一行之前预测出形状,你就能很快找到它们。
每一个数组都有一个 .shape:一个给出它在每个方向上大小的元组。一个有 5 个数字的列表形状是 (5,)。一张 3 行 4 列的表形状是 (3, 4)。一批 32 张图像,每张 28 乘 28 像素,形状是 (32, 28, 28)。
很小的数字
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
用 None 增加一个方向
用 None 做索引会在那个位置插入一个大小为 1 的新方向,而不改变任何数字。对于一个形状为 (5,) 的向量 p,p[:, None] 的形状是 (5, 1):一列。这就是你如何让一张 (5, 3) 表的每一行乘以它自己的那个数:p[:, None] * X,因为大小为 1 的方向会被复制到 3 列上。同样,p[None, :] 是一行,形状为 (1, 5)。
axis(轴):一个运算沿着哪个方向进行。axis=0 沿着各行往下(每一列一个结果);axis=1 沿着每一行进行(每一行一个结果)。
回顾 在运行一行之前,把形状大声说出来。
本课中的词语和符号
- 数组
- 一块 NumPy 数字,类型全都相同,能一次对每一项做数学运算
- 形状
- 一个数组在每个方向上的大小,例如 (32, 64) 是 32 行、每行 64 个
- axis(轴)
- 一个运算沿着哪个方向进行:axis=0 沿着各行往下,axis=1 沿着每一行
- 均值、离散程度
- 平均值,以及各个值大致离它有多远(标准差)
不运行它们,对于 X = np.zeros((6, 3)) 和 w = np.zeros(3),预测下面每一个表达式的形状。用元组填写 predictions。然后运行,自己检查一下。
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()(use())
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。