深度学习:(四)python中的广播

广播

在python中,广播可以简化为"自动扩展匹配"

注意:python中的矩阵运算,都是对应位置的元素之间的运算,即"点运算"。

在神经网络中,主要会用到的两种情况:

  • 向量与常数:

    n n n 维行向量( 1 × n 1×n 1×n 矩阵)和常数进行运算,python 会自动将该常数复制填充成 1 × n 1×n 1×n 矩阵( n n n 维列向量同理,就不写例子了)。
    [ 1 2 3 ] + 100 → [ 1 2 3 ] + [ 100 100 100 ] = [ 101 102 103 ] \left[ \begin{matrix} 1\\ 2\\ 3\\ \end{matrix} \right]+100→\left[ \begin{matrix} 1\\ 2\\ 3\\ \end{matrix} \right]+\left[ \begin{matrix} 100\\ 100\\ 100\\ \end{matrix} \right]=\left[ \begin{matrix} 101\\ 102\\ 103\\ \end{matrix} \right] 123 +100→ 123 + 100100100 = 101102103

  • 向量与矩阵:

    m × n m×n m×n 矩阵和 n n n 维行向量( 1 × n 1×n 1×n 矩阵)进行运算。python 会自动将该 1 × n 1×n 1×n 矩阵复制填充成 m × n m×n m×n 矩阵( m m m 维列向量同理)。

    举例:
    [ 1 2 3 4 5 6 ] + [ 100 200 300 ] → [ 1 2 3 4 5 6 ] + [ 100 200 300 100 200 300 ] = [ 101 202 303 104 205 306 ] \left[ \begin{matrix} 1 & 2 & 3\\ 4 & 5 & 6 \\ \end{matrix} \right]+\left[ \begin{matrix} 100 & 200 & 300\\ \end{matrix} \right]→\left[ \begin{matrix} 1 & 2 & 3\\ 4 & 5 & 6 \\ \end{matrix} \right]+\left[ \begin{matrix} 100 & 200 & 300\\ 100 & 200 & 300\\ \end{matrix} \right]=\left[ \begin{matrix} 101 & 202 & 303\\ 104 & 205 & 306\\ \end{matrix} \right] [142536]+[100200300]→[142536]+[100100200200300300]=[101104202205303306]

    [ 1 2 3 4 5 6 ] + [ 100 200 ] → [ 1 2 3 4 5 6 ] + [ 100 100 100 200 200 200 ] = [ 101 102 103 204 205 206 ] \left[ \begin{matrix} 1 & 2 & 3\\ 4 & 5 & 6 \\ \end{matrix} \right]+\left[ \begin{matrix} 100\\ 200\\ \end{matrix} \right]→\left[ \begin{matrix} 1 & 2 & 3\\ 4 & 5 & 6 \\ \end{matrix} \right]+\left[ \begin{matrix} 100 & 100 & 100\\ 200 & 200 & 200\\ \end{matrix} \right]=\left[ \begin{matrix} 101 & 102 & 103\\ 204 & 205 & 206\\ \end{matrix} \right] [142536]+[100200]→[142536]+[100200100200100200]=[101204102205103206]

☆以上两种情况,两个矩阵的行和列必须要有一个维度相同。

实例

python 复制代码
import numpy as np
# 定义矩阵A
A = np.array([[56.0,0.0,4.4,68.0]
			  [1.2,104.0,52.0,8.0],
			  [1.8,135.0,99.0,0.9]])
# 沿着矩阵A的纵轴求和
cal = A.sum(axis=0) # axis=1就是沿着横轴求和
print(cal)
# 进行矩阵广播运算
percentage = 100*A/cal.reshape(1,4)
print(percentage)

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
# 输出结果为:
[59  239  155.4  76.9]

[[94.91525424  0.            2.83140283  88.42652796]
 [ 2.03389831  43.51464435  33.46203346  10.40312094]
 [ 3.05084746  56.48535565  63.70656371   1.17035111]]

代码编写技巧

  • 在创建数组时,数组的维度要交代清楚,行数和列数都要给出:

    • 正确的:

      python 复制代码
      a = np.random.randn(5,1)  
      # 使用numpy的random模块中的randn函数生成一个5行1列的数组,  
      # 该数组中的元素是从标准正态分布(均值为0,标准差为1的正态分布)中随机抽取的。 
      # 输出结果为五行一列的数组
    • 错误的:

      python 复制代码
      a = np.random.randn(5)  
      # 目的和上边代码块一样
      # 但是没有指代清楚行数和列数,导致输出结果为一个秩为1的数组,既不是行向量,也不是列向量
  • 常用附加代码:

    python 复制代码
    assert a.shape == (5,1)    # 或者
    assert(a.shape == (5,1))   # 或者
    assert[a.shape == (5,1)]   # 在pycharm中通常使用这一个
    
    # 这是一个断言语句,用于确保变量a的shape属性(即a的维度)等于(5,1)。
    # 如果断言的条件为假(即表达式的结果为False),则会引发一个AssertionError异常。
    python 复制代码
    a = a.reshape((5,1))
    # 将变量a转换成五行一列的数组。
相关推荐
985小水博一枚呀3 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
龙哥说跨境3 分钟前
如何利用指纹浏览器爬虫绕过Cloudflare的防护?
服务器·网络·python·网络爬虫
AltmanChan4 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀8 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
数据与后端架构提升之路17 分钟前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
小白学大数据19 分钟前
正则表达式在Kotlin中的应用:提取图片链接
开发语言·python·selenium·正则表达式·kotlin
flashman91121 分钟前
python在word中插入图片
python·microsoft·自动化·word
爱技术的小伙子23 分钟前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
菜鸟的人工智能之路24 分钟前
桑基图在医学数据分析中的更复杂应用示例
python·数据分析·健康医疗
懒大王爱吃狼2 小时前
Python教程:python枚举类定义和使用
开发语言·前端·javascript·python·python基础·python编程·python书籍