Numpy从入门到精通——随机生成数组|特定生成数组|规则生成数组

news2024/11/13 11:27:14

这个专栏名为《Numpy从入门到精通》，顾名思义，是记录自己学习numpy的学习过程，也方便自己之后复盘！为深度学习的进一步学习奠定基础！希望能给大家带来帮助，爱睡觉的咋祝您生活愉快！ 这一篇介绍《Numpy从入门到精通——随机生成数组|特定生成数组|规则生成数组》
在这里插入图片描述

文章目录

  • 0、写在前面
  • 一、Numpy基础知识
  • 二、数组属性
  • 三、random模块生成数组
  • 四、生成特定形状的多维数组的函数
  • 五、利用arange、linspace函数生成数组

0、写在前面

之前虽然做过不少项目，但是感觉都是跑的demo，其中的语法，模型修改，算法重构自己一点也不清楚，所以准备系统的学习Pytorch，真正理解模型的创建和训练和修改。我打算对着我之前推荐的那本书来学，一步一步学习，在六月之前学习完。在寒假的时候，我就决定在正式开始深度学习，先把numpy学习完。因为在之前接触numpy和少量深度学习的知识之后，发现numpy中的矩阵和深度学习中的张量tensor十分相似，这两个之间常常会发生转化。所以我认为，学好numpy对于深度学习来说是必不可少的。

一、Numpy基础知识

我们都知道在计算机视觉中，图像的本质就是像素矩阵。说是对图像进行处理，但其实是对矩阵进行处理。而Numpy是数据科学的通用语言，它是科学计算、矩阵运算、深度学习的基石。numpy中的对象称为矩阵对象（ndarray对象），它直接保存数值，与C语言中的一维数组比较类似。

numpy主要有以下主要特点：

  1. 快速、节省空间，提供数组化的算术运算和高级的广播功能
  2. 使用标准数学函数对整个数组的数据进行快速操作，而不需要编写循环。
  3. 提供读写/写入磁盘上的阵列数据和操作存数器映像文件的工具（存储读取功能）
  4. 提供线型代数、随机数生成和傅里叶变换的能力
  5. 提供集成C、C++、Fortran代码的工具

我们使用Opencv库对图像进行深入探索，首先我们写一段最基本的Opencv读取图片显示的代码：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_1.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/16 18:22 
"""
import cv2
image = cv2.imread("image.jpg")
cv2.imshow("image",image)
cv2.waitKey(0)
cv2.destroyAllWindows()

用type函数查看image的类型：

print(type(image))
# <class 'numpy.ndarray'>

从上面例子可以看出来，image图片的本质其实就是一个矩阵，np.ndarray。

二、数组属性

在Numpy中，维度被称为轴。np.ndarray有三个重要属性：

  • nd.array.ndim:数组的维度（轴）的个数
  • nd.array.shape：数组的维度，值为一个整数元组，元组的值代表对应的轴的长度。（x,y）中的x代表这个数组有几行，y代表这个数组有几列。
  • nd.array.dtpye:数据类型，描述数组中元素的类型。

同样，我们以具体的例子进行讲解：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_1.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/16 18:22 
"""
import numpy as np
import cv2
image = cv2.imread("image.jpg")
image_gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) # 转成灰度图
print("image的维度为：",image.ndim)
print("image_gray的维度为：",image_gray.ndim)
print("image的大小为：",image.shape)
print("image_gray的大小为：",image_gray.shape)
print("image的数据类型为：",image.dtype)
print("image_gray的数据类型为：",image_gray.dtype)
# image的维度为： 3
# image_gray的维度为： 2
# image的大小为： (1080, 1920, 3)
# image_gray的大小为： (1080, 1920)
# image的数据类型为： uint8
# image_gray的数据类型为： uint8

ndim为维度，彩色图片通道数为3，维度为3；灰度图片通道数为1，维度为2。转化前后图片的大小不变，都为1080*1920，数据类型也不变，都为uint8。

将列表转为矩阵使用array函数：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_2.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/16 19:48
"""
import numpy as np
import cv2
# 将列表转化为ndarray
list_1 = [0,1,2,3,4,5]
image_1 = np.array(list_1)
print(image_1.ndim)
print(image_1.shape)
# 将嵌套列表转化为ndarray
list_2 = [[0,1,2,3,4],[5,6,7,8,9]]
image_2 = np.array(list_2)
print(image_2.ndim)
print(image_2.shape)
# 将嵌套列表转化为ndarray，并用cv2显示
list_3 = [[[1,2,3],[1,2,3],[1,2,3]],
          [[1,2,3],[1,2,3],[1,2,3]],
          [[1,2,3],[1,2,3],[1,2,3]]]
image_3 = np.array(list_3,dtype="uint8")
print(image_3.ndim)
print(image_3.shape)
print(image_3.dtype)
cv2.imshow("image",image_3)
cv2.waitKey(0)
cv2.destroyAllWindows()

用array函数能够将list列表转为ndarray格式，注意如果想用opencv进行图片显示的话，注意array转化是，将dtpye设置成“uint8”，这样才能够用opencv正常显示。

三、random模块生成数组

在深度学习时，我们常常要对参数进行初始化，这就涉及到np.random进行生成数组。接下来用一个表和一段代码介绍np.random生成数组：

函数描述
np.random.random生成从0到1之间的随机数
np.random.uniform生成均匀分布的随机数
np.random.randn生成标准正态分布的随机数
np.random.randint生成随机的整数
np.random.normal生成正态分布的整数
np.random.shuffle随机打乱顺序
np.random.seed设置随机数种子
random_sampel生成随机的浮点数
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_3.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/17 9:06 
"""

import numpy as np

print('生成形状(4, 4)，值在0-1之间的随机数:')
print(np.random.random((4, 4)), end='\n\n')

# 产生一个取值范围在[1, 50)之间的数组，数组的shape是(3, 3)
# 参数起始值（low）默认为0， 终止值（high）默认为1。
print('生成形状(3, 3)，值在low-high之间的随机整数::')
print(np.random.randint(low=1, high=50, size=(3, 3)), end='\n\n')
print('产生的数组元素是均匀分布的随机数:')
print(np.random.uniform(low=1, high=3, size=(3, 3)), end='\n\n')

print('生成满足正态分布的形状为(3, 3)的矩阵:')
print(np.random.randn(3, 3))

结果为：

生成形状(4, 4)，值在0-1之间的随机数:
[[1.09478767e-01 8.28542687e-01 2.29063164e-01 6.74524184e-01]
 [3.95004570e-01 2.21405468e-01 7.33547514e-02 1.52782087e-01]
 [9.89312618e-01 2.67019311e-01 6.23058383e-01 2.03517166e-01]
 [9.67375188e-01 4.01401820e-04 8.69373856e-01 4.89925436e-01]]

生成形状(3, 3)，值在low-high之间的随机整数::
[[48 29 41]
 [17 29 17]
 [12 30 13]]

产生的数组元素是均匀分布的随机数:
[[2.53303787 1.30406591 1.73541217]
 [1.45465375 2.78644509 1.58166964]
 [2.7118102  2.50493356 1.31396379]]

生成满足正态分布的形状为(3, 3)的矩阵:
[[ 1.18399228 -0.17099359 -2.02865943]
 [-0.86478027 -0.68082124  0.84941314]
 [-0.03038969  2.32215063 -0.57330676]]

下面进一步阐述随机数种子的含义：
用上面随机方式产生的矩阵是无法重现的，如果想两次生成相同的矩阵，就用到了随机数种子，np.random.seed()

import numpy as np
np.random.seed(10) 
print("按指定随机种子，第1次生成随机数:")
print(np.random.randint(1, 5, (2, 2)))
 
# 想要生成同样的数组，必须再次设置相同的种子
np.random.seed(10)
print("按相同随机种子，第2次生成的数据:")
print(np.random.randint(1, 5, (2, 2)))

输出：

按指定随机种子，第1次生成随机数:
[[2 2]
 [1 4]]
按相同随机种子，第2次生成的数据:
[[2 2]
 [1 4]]

所以，想要生成的随机数是一样的，只需要在前面添加一个随机数种子，种子里面的代号就代表着随机数是什么，这里是10，你也可以换成其他数，代表着不同的随机数种子！

四、生成特定形状的多维数组的函数

有时，在对参数初始化时，会要求生成一些特殊的矩阵，比如全是1或者全是0的矩阵，在numpy中同样给我们留下了对应的函数，

函数描述
np.zeros((3,.4))生成3x4的数组，元素全是0
np.ones((3,4))生成3x4的数组，元素全是1
np.empty((2,3))生成2x3的空数组，空数组中的值是未初始化的垃圾值
np.zeros_like(ndarr)以ndarr相同维度生成元素全是0的数组
np.ones_like(ndarr)以ndarr相同维度生成元素全是1的数组
np.empty_like(ndarr)以ndarr相同维度生成空数组
np.eye(5)生成一个5x5的矩阵，对角线全为1，其余全是0
np.full((3,5),666)生成3x5的数组，元素全是666
np.diag([1, 2, 3])对角线为1,2,3的矩阵

下面我们看具体的代码：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_5.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/17 9:19 
"""
import numpy as np

# 生成全是 0 的 3x3 矩阵
nd5 = np.zeros([3, 3])
# 生成与nd5形状一样的全0矩阵
# np.zeros_like(nd5)
# 生成全是 1 的 3x3 矩阵
nd6 = np.ones([3, 3])
# 生成 3 阶的单位矩阵
nd7 = np.eye(3)
# 生成 3 阶对角矩阵
nd8 = np.diag([1, 2, 3])
print("*" * 6 + "nd5" + "*" * 6)
print(nd5)
print("*" * 6 + "nd6" + "*" * 6)
print(nd6)
print("*" * 6 + "nd7" + "*" * 6)
print(nd7)
print("*" * 6 + "nd8" + "*" * 6)
print(nd8)

输出结果为：

******nd5******
[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]
******nd6******
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]
******nd7******
[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]
******nd8******
[[1 0 0]
 [0 2 0]
 [0 0 3]]

五、利用arange、linspace函数生成数组

在一些特定的情况中，我们还希望生成一系列有规律的矩阵，学过Python基础的同学对range函数一定不陌生，在numpy中，我们可以用arange和linspace生成特定规律的数组。

np.arange([start,]stop[,step,],dtype=None)

  • start:起始数
  • stop：终止数，不包括
  • step：步长，可以是小数

np.linspace(start,stop,num,endpoint=True,retstep=False,dtype=None)

  • start:起始数
  • stop：终止数
  • num：分割成多少份
  • endpoint：是否包含终点
  • retstep：是否带步长
  • dtype：数据类型
#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_6.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/17 9:57 
"""
import numpy as np

print(np.arange(10))
# [0 1 2 3 4 5 6 7 8 9]
print(np.arange(0, 10))
# [0 1 2 3 4 5 6 7 8 9]
print(np.arange(1, 4, 0.5))
# [1.  1.5 2.  2.5 3.  3.5]
print(np.arange(9, -1, -1))
# [9 8 7 6 5 4 3 2 1 0]

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_7.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/17 9:58 
"""
import numpy as np

print(np.linspace(0, 1, 10))
# [0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
# 0.66666667 0.77777778 0.88888889 1.        ]
print(np.linspace(0,1,10,retstep=True))
# ([0.        , 0.11111111, 0.22222222, 0.33333333, 0.44444444,
       0.55555556, 0.66666667, 0.77777778, 0.88888889, 1.        ]), 0.1111111111111111)

注意，np.linspace(0, 1, 10)生成 的是步长为0.11111111的矩阵，因为0也占了一位，步长计算为(1-0)/9=0.11111,如果想要步长为0.1，只需要将start=0改为0.1即可。
除了上面学习的arange、linspace函数，numpy还提供了logspace函数，大家也可以自己写一写代码，自行尝试一下效果！
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/441034.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Qt内存管理及泄露后定位到内存泄漏位置的方法

Qt内存管理及泄露后定位到内存泄漏位置的方法

Qt内存管理机制 Qt使用对象父子关系进行内存管理。在创建类的对象时&#xff0c;为对象指定父对象指针。当父对象在某一时刻被销毁释放时&#xff0c;父对象会先遍历其所有的子对象&#xff0c;并逐个将子对象销毁释放。 Qt内存管理代码示例 QLabel *label new QLabel;这里…
阅读更多...
【==是判断相等吗？---错辣】C++和JAVA中判断字符串值相等的区别

【==是判断相等吗？---错辣】C++和JAVA中判断字符串值相等的区别

文章目录 先上结论C中stringJAVA中String回顾结论 参考文章&#xff1a;这里&#xff1b;这里&#xff1b;这里 先上结论 C中的string类型可以使用和!来判断两个字符串的值是否相等&#xff1b;而JAVA不行&#xff0c;JAVA中和!是用来判断两个字符串的地址是否相同&#xff08…
阅读更多...
c++学习之类与对象3

c++学习之类与对象3

目录 成员变量和函数的存储 this指针 this指针的工作原理 this指针的应用 const修饰的成员函数 友元 友元的语法 1.普通全局函数成为类的友元 2.类的某个成员函数作为另一个类的友元 整个类作为另一个类的友元 运算符重载 1 运算符重载的基本概念 2 重载加号运算符…
阅读更多...
MySQL数据库学习笔记之存储引擎

MySQL数据库学习笔记之存储引擎

存储引擎 MySQL体系结构 连接层 最上层是一些客户端和连接服务&#xff0c;主要完成一些类似于连接处理、授权认证、以及相关的安全方案。服务器也会为安全接入的每个客户端验证它所具有的操作权限。 服务层 第二层架构主要完成大多数的核心服务功能&#xff0c;如SQL接口&am…
阅读更多...
【JavaScript】6.DOM

【JavaScript】6.DOM

文章目录 DOM1. 简介2. 获取元素2.1 根据 ID 获取2.2 根据标签名获取2.3 通过 HTML5 新增的方法获取2.4 特殊元素获取 3. 事件基础3.1 事件概述3.2 事件三要素3.3 执行事件步骤 DOM 1. 简介 文档对象模型&#xff08;Document Object Model&#xff0c;简称 DOM&#xff09;&…
阅读更多...
web自动化测试框架落地实施全过程-测试环境搭建 （Selenium+Python）

web自动化测试框架落地实施全过程-测试环境搭建 （Selenium+Python）

一、什么是web自动化测试? Web自动化测试是指使用自动化工具模拟用户在Web浏览器中执行的操作&#xff0c;通过编写脚本来自动化执行测试用例&#xff0c;以验证Web应用程序的功能、性能和兼容性等方面的质量。其主要目的是降低测试成本和时间&#xff0c;并提高测试效率和准…
阅读更多...
LDAP未授权漏洞验证

LDAP未授权漏洞验证

因为工作需要&#xff0c;这里验证了下LDAP未授权。 以下是收集到的资料&#xff0c;最后是具体使用&#xff01;&#xff01;&#xff01;&#xff01;&#xff01; 更新 2&#xff09;连接ad域有两个地址&#xff1a; ldap://http://XXXXX.com:389 和 ldap://http://XXXXX.…
阅读更多...
算法的时间复杂度和空间复杂度(2)

算法的时间复杂度和空间复杂度(2)

计算斐波那契递归Fib的时间复杂度&#xff1f; long long Fib(size_t N) { if(N < 3) return 1; return Fib(N-1) Fib(N-2); } 因为递归先递推后回归&#xff0c;看起来规律像等比数列&#xff0c;也可以用错位相减法&#xff0c;因为斐波那契数列到第二项就不会再计算了&a…
阅读更多...
传输层重点协议之【UDP协议】

传输层重点协议之【UDP协议】

1. UDP协议端格式 2. UDP的特点 2.1 无连接 知道对端的IP和端口号就直接传输&#xff0c;不需要建立连接 2.2 不可靠 没有任何的安全机制&#xff0c;发送端发送数据报后&#xff0c;如果因为网络故障数据报无法发送对方&#xff0c;UDP协议层也不会给应用层返回任何错误信…
阅读更多...
第六章 Linux实际操作——实用指令

第六章 Linux实际操作——实用指令

第六章 Linux实际操作——实用指令 6.1 指定运行级别6.2 找回root密码6.3 帮助指令6.3.1 man获得帮助信息6.3.2 help指令6.3.3 搜索引擎帮助更直接 6.4 文件目录类6.4.1 pwd指令6.4.2 ls指令6.4.3 cd指令6.4.4 mkdir 指令6.4.5rmdir指令删除空目录6.4.6 touch 指令6.4.7 cp 指令…
阅读更多...
火山引擎边缘云，助力业务敏捷创新

火山引擎边缘云，助力业务敏捷创新

[中国&#xff0c;上海&#xff0c;4 月 18 日]2023 春季火山引擎 FORCE 原动力大会正式举办。大会主论坛&#xff0c;火山引擎总裁谭待围绕云上增长三要素发表了重要演讲。在敏捷迭代专题中&#xff0c;谭待分享了火山引擎边缘云连接与计算无处不在的理念&#xff0c;并于现场…
阅读更多...
【fluent udf】定义源项宏时，在迭代计算过程中UDM变量变inf、NAN、发散时如何解决？

【fluent udf】定义源项宏时，在迭代计算过程中UDM变量变inf、NAN、发散时如何解决？

一、问题背景 最近做的一个fluent仿真算例里用到源项宏&#xff0c;源项宏里用UDM定义了树脂固化度场。 在迭代计算的过程中&#xff0c;UDM的取值发散成了无穷大inf&#xff08;第一次计算取值是NAN&#xff09;&#xff0c;如下图所示。 由于每一次迭代计算过程中&#xf…
阅读更多...
【嵌入式系统与入门】Day01 Arduino开发板

【嵌入式系统与入门】Day01 Arduino开发板

文章目录 1. Arduino概述1.1 是什么&#xff1f;1.2 分类1.3 组成1.4 电源 2. Arduino软件开发流程2.1 明确接口函数2.2 连接板子2.3 打开项目【或者自己编程序】2.4 选择板子类型2.5 选择通讯端口2.6 下载程序2.7. 编写程序代码——程序架构 3. 较常用的封装函数3.1 pinMode(p…
阅读更多...
技术报告：Efficient and Effective Text Encoding for Chinese LLaMA AND Alpaca

技术报告：Efficient and Effective Text Encoding for Chinese LLaMA AND Alpaca

技术报告&#xff1a;Efficient and Effective Text Encoding for Chinese LLaMA AND Alpaca IntroductionChinese LLaMAChinese AlpacaLora-Fine-tuning实验7Bpre- trainingInstruction-Tuning 13BPre-TrainingInstruct-Tuning Introduction 首先作者说了最近ChatGPT等模型在…
阅读更多...
【SpringCloud】2、使用Nacos作为服务注册中心

【SpringCloud】2、使用Nacos作为服务注册中心

1、项目搭建 首先&#xff0c;我们需要搭建一个 SpringCloud 微服务项目&#xff0c;后续的文章将基于此项目作为学习演示使用 1、创建 cloud-learn 目录&#xff0c;pom.xml 文件内容如下&#xff1a; <?xml version"1.0" encoding"UTF-8"?> &…
阅读更多...
【数据统计】— 峰度、偏度、点估计、区间估计、矩估计、最小二乘估计

【数据统计】— 峰度、偏度、点估计、区间估计、矩估计、最小二乘估计

【数据统计】— 峰度、偏度、点估计、区间估计、矩估计、最小二乘估计 四分位差异众比率变异系数利用数据指标指导建模思路 形状变化数据分布形态峰度: 度量数据在中心聚集程度偏度 利用数据指标指导建模思路 参数估计点估计区间估计矩估计举例&#xff1a;黑白球&#xff08;矩…
阅读更多...
修改键盘映射（注册表）Scancode Map

修改键盘映射（注册表）Scancode Map

1.win R 打开 cmd命令框&#xff0c;输入regedit 2.赋值这个地址到蓝色框里&#xff1a; 计算机\HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\Keyboard Layout 3.右键 ->新建->二进制值&#xff0c;命名为 Scancode Map 4.现在来讲解怎么使用这个二进制表修…
阅读更多...
LC串联谐振回路

LC串联谐振回路

理想LC串联谐振回路 下图是理想的LC串联谐振回路&#xff0c;不考虑L C的等效电阻。理想的LC回路没有任何损耗。 理想LC串联谐振的回路阻抗为&#xff1a; 令虚部为0&#xff0c;就可求出谐振角频率W0 可得谐振角频率&#xff1a; 可得谐振频率&#xff1a; 因为 所以电…
阅读更多...
计算机网络之运输层

计算机网络之运输层

协议 协议就是计算机与计算机之间通信的“约定”&#xff0c;既为规则&#xff0c;只有遵循这个约定&#xff0c;双方就可以进行通信。 进程之间的通信 从通信和信息处理的角度来看&#xff0c;运输层向上面的应用层提供通信的服务&#xff0c;属于面向通信的最高层&#xf…
阅读更多...
Redis哨兵(非集群 Rrdis 的高可用性 )

Redis哨兵(非集群 Rrdis 的高可用性 )

Redis哨兵(非集群 Rrdis 的高可用性 ) 1. 什么是哨兵 吹哨人巡查监控后台 master 主机是否故障,如果故障了根据投票数自动将某一个从库转换为新主库,继续对外服务 Redis哨兵在不使用Redis集群时为Redis提供高可用性 2. 作用 无人值守运维 3. 哨兵作为分布式系统 Redis S…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023