Numpy

NumPy 是 Python 科学计算的基石。你可以把它理解为 "带高级操作的、多维的、同类型数据的数组"。

PyTorch 的张量(Tensor)设计,几乎就是照搬了 NumPy 的这套逻辑,然后把运算搬到了 GPU 上。所以搞懂 NumPy 的重点,PyTorch 的核心也就通了。

它的核心重点,可以浓缩成 "一个对象、两大杀招、三个关键":


1. 一个核心对象:ndarray(多维数组)

所有操作都围绕它展开。你只需要死死记住它的 3 个关键属性:

  • shape(形状) :几行几列,比如 (3, 4)。注意: 一维数组的形状是 (3,)(还记得那个逗号吗?)。

  • dtype(数据类型) :是 int 还是 float。打印带不带点 .,就是由它决定的。

  • ndim(维度数):数组有几根轴。


2. 两大杀招(NumPy 灵魂所在)

杀招一:向量化运算(彻底扔掉 for 循环)

NumPy 最牛的地方是,它对数组的操作默认都是**"逐元素"**的,而且底层用 C 语言实现,速度极快。

  • 你可以直接写 arr * 2,它会把每个元素都乘以 2。

  • 你可以直接写 arr1 + arr2,它会把对应位置的元素相加。

  • 支持 np.exp(arr)、np.log(arr)、np.sin(arr) 等数学函数,直接作用在每一个元素上。

杀招二:广播机制(Broadcasting)

这和你在 PyTorch 里学到的完全一样 。形状不同的数组做运算时,NumPy 会自动把小的数组"逻辑上"拉伸,规则依然是:从右往左对齐,维度要么相等,要么一方为 1 。

(比如形状 (3,1) 和 (1,4) 运算,会自动变成 (3,4))。


3. 三个关键操作(日常高频使用)

① 索引与切片(Indexing / Slicing)

和 Python 列表一样灵活,且支持"花式索引"(用列表取数)。

  • arr[0]:取第一行。

  • arr[:, 0]:取所有行的第一列(就是你刚才发的那张图里的操作)。

  • arr[arr > 5]:布尔索引,直接取出所有大于 5 的数(极其好用!)。

② 形状变换(Reshape 与 Transpose)

这俩的区别,和我们之前聊的张量规则完全相同:

  • reshape :改变形状,不改数据顺序(按行先拉平再填充)。

  • .T 或 transpose() :转置/交换轴,改变读取顺序(行列互换)。

  • 注意 :reshape 通常返回"视图"(View,共享内存),改了一个另一个会变;如果想独立拷贝,用 .copy()。

③ 聚合与轴(Axis)

NumPy 中有一个极其重要的参数 axis(轴),它决定了运算的方向:

  • axis=0 :沿着行方向(垂直)压缩,意思是"跨行操作",结果会减少行数。

  • axis=1 :沿着列方向(水平)压缩,意思是"跨列操作",结果会减少列数。

经典例子:

python

复制代码
arr = np.array([[1, 2, 3], [4, 5, 6]])
arr.sum(axis=0)  # 输出 [5, 7, 9] (把两行对应列相加,行没了)
arr.sum(axis=1)  # 输出 [6, 15] (把两行各自内部的三列相加,列没了)

🔗 与 PyTorch 的"桥梁"(重点)

NumPy 和 PyTorch 可以无缝互转,但有个极大陷阱:

  • CPU 上的张量 转 NumPy:tensor.numpy(),两者共享内存(改一个,另一个会变)。

  • NumPy 转张量:torch.from_numpy(arr),同样共享内存。

  • GPU 上的张量 :必须先 .cpu() 再转 NumPy,而且这时通常会复制一份数据,不再共享。


⚠️ 新手最易犯的错误

NumPy 默认是**"按行主序(C-order)"** 存储数据。当你使用了 arr.T(转置)后,数据在内存里变得不连续 。此时如果贸然调用 .reshape(),极大概率会报错或得到乱码数据。解决办法 :先调用 np.ascontiguousarray(arr) 再 reshape。

一句话总结 :NumPy 的重点就是 "把数组当数字一样做数学运算" 。只要记住 shape、dtype、axis 三个关键词,剩下的操作(求均值、标准差、矩阵乘法 @)都能顺着这些逻辑推导出来。你对 PyTorch 的理解已经在这里了,NumPy 只是把 .cuda() 去掉后的"陆地版本"。😊

相关推荐
LiaoWL1231 小时前
从零搭一个 RAG 知识库(二):换上语义 Embedding——BGE 实测与阈值重校准
python·大模型·numpy·embedding·向量检索·rag
LiaoWL1234 天前
NumPy 入门实战(二):向量化与余弦相似度——从 ndarray 到 Embedding
python·numpy·embedding
郝学胜-神的一滴5 天前
LangChain Skill 实现(渐进披露 On-Demand Skill,LangChain 官方 Deep Agent Skill 模式)
开发语言·python·langchain·numpy
2601_967980119 天前
Python中flatten( )函数及函数用法详解
python·numpy·数组操作·flatten函数·列表处理
郝学胜-神的一滴10 天前
AI 编程智能体 27:吃透MCP通信机制
人工智能·python·langchain·wpf·numpy·scikit-learn
aifannihao12 天前
AI 学习第 5 课:手推逻辑回归与交叉熵,L2 把可分数据的权重按住
人工智能·机器学习·逻辑回归·numpy·学习路线
2601_9679873713 天前
图灵星环:Python NumPy数组的维度压缩squeeze删除单维度
机器学习·numpy·数据预处理·数组处理·维度压缩
ljt272496066119 天前
Python笔记(十一)--Numpy(一)
笔记·python·numpy
小里lilili21 天前
金融数据分析技术栈拆解:从NumPy到机器学习,金融数学背景该如何补齐代码短板
金融·数据分析·numpy
gCode Teacher 格码致知22 天前
Pandas教学25:NumPy 的实战价值集中的四件事
numpy·pandas