《深度學習與圖像識別：原理與實踐》—2.3　Numpy使用詳解

2.3　Numpy使用詳解

Numpy（Numerical Python的簡稱）是高性能科學計算和數據分析的基礎包，其提供了矩陣運算的功能。Numpy提供的主要功能具體如下。

ndarray—一個具有向量算術運算和復雜廣播能力的多維數組對象。

用于對數組數據進行快速運算的標準數學函數。

用于讀寫磁盤數據的工具以及用于操作內存映射文件的工具。

非常有用的線性代數，傅里葉變換和隨機數操作。

用于集成C /C++和Fortran代碼的工具。

除了明顯的科學計算用途之外，Numpy還可以用作通用數據的高效多維容器，定義任意的數據類型。這些都使得Numpy能夠無縫、快速地與各種數據庫集成。

這里提到的“廣播”可以這么理解：當兩個維度不同的數組（array）運算的時候，可以將低維的數組復制成高維數組參與運算（因為Numpy運算的時候需要結構相同）。

在學習圖像識別的過程中，需要將圖片轉換為矩陣。即將對圖片的處理簡化為向量空間中的向量運算。基于向量運算，我們就可以實現圖像的識別。

2.3.1　創建數組

現在就來關注下Numpy中的一些核心知識點。在Numpy中，最核心的數據結構是ndarray, ndarray代表的是多維數組，數組指的是數據的集合。為了方便理解，我們下面列舉一個小例子。

一個班級里學生的學號可以通過一維數組來表示，數組名為a，數組a中存儲的是數值類型的數據，分別是1，2，3，4。

其中，a[0]代表的是第一個學生的學號1，a[1]代表的是第二個學生的學號2，以此類推。

一個班級里學生的學號和姓名，可以用二維數組來表示，數組名為b。

類似的，其中b[0,0]代表的就是1（學號），b[0,1]代表的就是Tim（學號為1的學生的名字），以此類推b[1,0]代表的是2（學號）等。

借用線性代數的說法，一維數組通常稱為向量（vector），二維數組通常稱為矩陣（matrix）。

當我們安裝完Anaconda之后，默認情況下Numpy已經在庫中了，所以不需要額外安裝。下面我們來寫一些語句簡單測試下Numpy庫。

1）在Anaconda的Notebook里輸入import numpy as np之后，通過鍵盤按住Shift+Enter執行，如果沒有報錯，則說明Numpy已被正常引入，如圖2-7所示。

圖2-7　在Notebook中引入Numpy

稍微解釋下這條語句：通過import關鍵字將Numpy庫引入，然后通過as為其取一個別名np，別名的作用是為了便于后續引用。

2）Numpy中的array()可以直接導入向量，代碼如下：

vector = np.array([1,2,3,4])

3）numpy.array()方法也可以導入矩陣，代碼如下：

matrix = np.array([[1,'Tim'],[2,'Joey'],[3,'Johnny'],[4,'Frank']])

輪到你來：

首先定義一個向量，然后分配一個變量名vector；定義一個矩陣，然后分配給變量matrix；最后通過Python中的print方法在Notebook中打印出結果。

Numpy 圖像處理 深度學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。