NumPy回顾¶

这里有一些NumPy的快速指南：

机器学习的矩阵惯例¶

Rows are horizontal and columns are vertical. 每一行都是一个样本。因此，inputs[10,5]是10个样本的矩阵，其中每个样本具有维度5。如果这是神经网络的输入，则从输入到第一个隐藏层的权重将表示大小(5, #hid)的矩阵。

Consider this array:

>>> numpy.asarray([[1., 2], [3, 4], [5, 6]])
array([[ 1.,  2.],
       [ 3.,  4.],
       [ 5.,  6.]])
>>> numpy.asarray([[1., 2], [3, 4], [5, 6]]).shape
(3, 2)

This is a 3x2 matrix, i.e. there are 3 rows and 2 columns.

要访问第3行（#2行）和第1列（#0列）中的元素：

>>> numpy.asarray([[1., 2], [3, 4], [5, 6]])[2, 0]
5.0

要记住这一点，我们从左到右、从上到下读取，所以连续的元素是一行。That is, there are 3 rows and 2 columns.

Broadcasting¶

Numpy在算术运算期间对不同形状的数组进行broadcasting。这通常意味着较小的数组（或标量）被broadcasted到较大的数组，以让它们具有兼容的形状。下面的示例演示broadcastaing的一个实例：

>>> a = numpy.asarray([1.0, 2.0, 3.0])
>>> b = 2.0
>>> a * b
array([ 2.,  4.,  6.])

在这种情况下，这里较小的数组b（实际上是标量，其工作原理类似于一个0维数组）在乘法过程中被broadcasted到与a相同的大小。This trick is often useful in simplifying how expression are written. 有关broadcasting的更多详情，请参见numpy用户指南。