技术标签： Python
学习内容来自:Numpy Tutorial
使用固定数字进行array寻址会导致数组降维。
y = np.random.random((3,2))
print(y)
[[0.44339891 0.27660025]
[0.9809724 0.88663973]
[0.18171569 0.72078505]]
print(y[0])
[0.44339891 0.27660025]
print(y[0,0])
0.4433989126430079
print(y[:1])
[[0.44339891 0.27660025]]
print(y[:1, :1])
[[0.44339891]]
除了基础的类似于list 寻址的方法， numpy提供了另外的方便寻址法。
假设要从 d d d 维的tensor 中取出 n n n 个数据, 坐标分别是 ( x 1 ( 1 ) , x 2 ( 1 ) , ⋯ , x d ( 1 ) ) , ( x 1 ( 2 ) , x 2 ( 2 ) , ⋯ , x d ( 2 ) ) , ⋯ , ( x 1 ( n ) , x 2 ( n ) , ⋯ , x d ( n ) ) (x^{(1)}_1, x^{(1)}_2, \dotsb, x^{(1)}_d), (x^{(2)}_1, x^{(2)}_2, \dotsb, x^{(2)}_d),\dotsb, (x^{(n)}_1, x^{(n)}_2, \dotsb, x^{(n)}_d) (x1(1),x2(1),⋯,xd(1)),(x1(2),x2(2),⋯,xd(2)),⋯,(x1(n),x2(n),⋯,xd(n))
将上面的 n n n 个向量按照行拼接成矩阵， 然后做转置。 转置之后的每一行就是每个元素同一维度下的坐标。
按照 ( x 1 ( 1 ) , x 1 ( 2 ) , ⋯ , x 1 ( n ) ) , ( x 2 ( 1 ) , x 2 ( 2 ) , ⋯ , x 2 ( n ) ) , ⋯ , ( x d ( 1 ) , x d ( 2 ) , ⋯ , x d ( n ) ) (x^{(1)}_1, x^{(2)}_1, \dotsb, x^{(n)}_1), (x^{(1)}_2, x^{(2)}_2, \dotsb, x^{(n)}_2),\dotsb, (x^{(1)}_d, x^{(2)}_d, \dotsb, x^{(n)}_d) (x1(1),x1(2),⋯,x1(n)),(x2(1),x2(2),⋯,x2(n)),⋯,(xd(1),xd(2),⋯,xd(n))
的方式重新进行寻址。 在 d d d 比较小的时候(我们经常使用矩阵作为运算对象)， 这样的寻址方式非常简便。
a = np.array([[1,2], [3, 4], [5, 6]])
print(a[[0, 1, 2], [0, 1, 0]])
[1, 4, 5]
a = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
b = np.array([0, 2, 0, 1])
print(a[np.arange(4), b])
[1, 6, 7, 11]
使用boolean矩阵寻址也是常用的方法。 如果是简单的判断条件， 可以直接写在方括号中。
使用.dot 方法进行矩阵乘法， 而 ∗ * ∗ 用作同样大小矩阵的元素对应相乘。
像 v.dot(x) 这样的运算会返回一个新的实例， 不会直接改变 v 的值。
求和运算np.sum(mat, axis = d) 选定第 d d d 个维度进行求和。 如果axis = 1, 就返回同样的行数， 但是列数都变成了1.
广播技术的简单概括： n n n 维和 m m m 维的tensor 做四则运算 ( n > m n>m n>m )， 要保证 m m m 维向量的低 n n n 维和 n n n 维向量每个维度的size 相同。
x = np.random.random((3,3,4,3,2))
y = np.random.random((3,2))
可以
x=np.random.random((3,3,4,3,2))
y = np.random.random((4,2))
不可
向量的outer product 是比较特殊的。
x = np.array([1,2,3])
y = np.array([1,2])
print(np.reshape(x, (3,1)) * y)
[[1 2]
[2 4]
[3 6]]
现在的Scipy版本中，已经从scipy.misc 中删除了imread, imsave, imresize 等内容。
现在可以从 imageio 库中 import imread, imsave, imwrite。
而 imresize 我们可以用numpy + PIL(pillow) 实现。
from PIL import Image
import numpy as np
# im = imresize(im, (size1, size2, ...))
im = np.array(Image.fromarray(im).resize((size1, size2, ...)))
im = imread("cat.png")
im = np.array(Image.fromarray(im).resize((300,300)))
imsave("cat1.png", im)
文章浏览阅读200次。CentOS 上mysql端口3306的问题今天装了一台Linux系统，以前都是RedHat，后来听说有Fedora了，一直没用过。正好项目里环境要用就想弄一个来玩玩，结果现在人家最新的是CentOS，就一张CD，其他的根据需要自己上网Down，(我不喜欢这样子就自己下载DVD版)。安装完之后没有图形界面，而且没有提示输入root密码，还得到单用户模式下修改。后来下载了一个图形界面，弄好之后在那个..._centos修改mysql端口tcp6:3306为tcp
文章浏览阅读6.6k次，点赞5次，收藏26次。安装前准备：关闭防火墙和SELINUX，DHCP服务器静态IP。切勿用桥接模式 最好是NET模式而且把自动分配DHCP对勾取消。查看防火墙和seelinux是否关闭[root@centos8 ~]#firewall-cmd --statenot running[root@centos8 ~]#getenforce Disabled安装对应的软件包安装syslinux的时候..._centos8 pxe boot arp timeout
文章浏览阅读6.8k次，点赞4次，收藏32次。转自：http://www.dataguru.cn/article-2421-1.html摘要: 一、直方图 绘制直方图函数：hist()对x1进行直方图分析 hist(x$x1)二、散点图 散点图绘制函数：plot()探索各科成绩的关联关系 plot(x1,x2) plot(x$x1,x$x2)三、柱状图 列联表分析 列联函数table()：统计每个分数的人 ...一、直方图_箱尾图绘制函数用法
文章浏览阅读783次。http://www.4wei.cn/archives/1002509Redis常用命令集1）连接操作命令quit：关闭连接（connection）auth：简单密码认证help cmd： 查看cmd帮助，例如：help quit2）持久化save：将数据同步保存到磁盘bgsave：将数据异步保存到磁盘lastsave：返回上次成功将数据保存到磁盘的Unix时戳shundo..._redis怎么使用vi
文章浏览阅读3.8k次。错误：android.content.res.Resources$NotFoundException: Resource ID #0xfffffe6c 意思是资源ID找不到。然后又在报错中出现跟BaseQuickAdapter相关信息，可以分为两个方面，第一个是在加载Adapter Item取控件的时候为空，第二个是加载不同View的时候为空。 View inflate = g..._android.content.res.resources$notfoundexception: resource id #0xfffffe6c
文章浏览阅读2.1w次，点赞11次，收藏61次。UIPath，RPA里算是比较简单易操作的一款软件了，因为公司业务的需要，代理uipath以及部署业务，所以接触到了uipath。从开始到最终做到企业项目部署，大概用了两个月的时间，收获不少。自己之前是做过后端开发，前端以及手机端软件自动化的相关开发工作（触动sprite…），所以学习起来挺快的。最终花了两周多的时间，阅读了官方的文档，uiapth官方的学院，以及第三方一些文档，完成了整个uipa..._uipath认证
文章浏览阅读469次。本文是参数服务器第三篇，介绍ps-lite的Customer模块。
文章浏览阅读2.8k次，点赞4次，收藏17次。各个知识点详解LeNet-5网络LetNet网络的的讲解主要参考1998年计算机科学家Yann LeCun发布的一篇论文《Gradient based learning applied to document-recognition》大家可以找到这篇论文结合学习，针对该网络，首先大家需要了解一下图像中的常用操作卷积，卷积这个词是信号处理领域的词，表示一个系统多数据处理的过程，在图像处理中的卷积，其实就是滤波器。下面先简要介绍一下卷积核的概念，这个不能细说，因为想要深入理解卷积需要很多知识，这里只给大家_卷积神经 特征平面
文章浏览阅读5.1k次，点赞4次，收藏20次。ANSYS无限大平板两边传热仿真有一无限大平板，导热系数为27.56，密度为591.8，密度为7800，厚度为1.08m，现将其划分为4层，5个温度节点，求分析其在两面不相等且温度变化的对流换热中的受热情况。对流换热系数为200。一、前处理器1、建立工程，改变工程名称2、选择处理热问题，勾选Thermal选项3、选择需要划分的节点类型，这里采用55节点若计算对称问题，则在o..._ansys热仿真
文章浏览阅读3.1w次，点赞2次，收藏40次。本文介绍SpringBoot如何使用Prometheus配合Grafana监控。1.关于PrometheusPrometheus是一个根据应用的metrics来进行监控的开源工具。相信很多工程都在使用它来进行监控，有关详细介绍可以查看官网：https://prometheus.io/docs/introduction/overview/。2.有关GrafanaGrafana是一个开源监..._spring security 只开启/actuator/promethues断点
文章浏览阅读99次。redis是一种高级的key-value数据库存储系统 其中value值支持物种数据类型 ，key的数据类型一般都是String字符串类型：String散列类型：hash列表类型：list集合类型：set有序集合类型：sorted set对于redis的key值，如果定义的名称过长，查询效率就会降低，所以一般是按照规范命名就可以了。命令ping 就是连接是否成功 显示PONG就表示连接成功redis默认会在空间之中生成16个数据库，数据库编号以此从.._redis取值fet list
文章浏览阅读6.5k次。为什么在java中计算2的32次方可以用1L<<32表示 java中移位运算符<< : 左移运算符，num << 1,相当于num乘以2>> : 右移运算符，num >> 1,相当于num除以22的32次方，相当于32个2相乘1L<<32 ，不就是1乘以32个2 ，二者相等。<&_java中2的32次方如何表示