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

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"。😊