NumPy的算术运算
numpy 运算 算术
2023-06-13 09:12:02 时间
在机器学习和深度学习中,涉及大量的数组或矩阵运算,本节我们将重点介绍两种常用的运算:
一种是对应元素相乘,又称为逐元乘法(Element-Wise Product),可以使用 np.multiply() 函数或者*运算符; 另一种是点积或内积元素,运算符为 np.dot()。
对应元素相乘
图1:对应元素相乘示意图
图2:矩阵的点积示意图,对应维度的元素个数需要保持一致 在图2中,矩阵 X1 和矩阵 X2 进行点积运算,其中 X1 和 X2 对应维度(即 X1 的第 2 个维度与 X2 的第 1 个维度)的元素个数必须保持一致。此外,矩阵 X3 的形状是由矩阵 X1 的行数与矩阵 X2 的列数构成的。
一种是对应元素相乘,又称为逐元乘法(Element-Wise Product),可以使用 np.multiply() 函数或者*运算符; 另一种是点积或内积元素,运算符为 np.dot()。
对应元素相乘
对应元素相乘(Element-Wise Product)是两个矩阵中对应元素乘积。np.multiply() 函数用于数组或矩阵对应元素相乘,输出与相乘数组或矩阵的大小一致,其格式如下:
numpy.multiply(x1, x2, /, out=None, *, where=True,casting= same_kind , order= K , dtype=None, subok=True[, signature, extobj])
其中 x1、x2 之间的对应元素相乘遵守广播规则,NumPy 的广播规则后续将会介绍。
类似地,*运算符也能达到同样的效果。
以下我们通过一些示例来进一步说明:
A = np.array([[1, 2], [-1, 4]]) B = np.array([[2, 0], [3, 4]]) array([[ 2, 0], [-3, 16]]) np.multiply(A, B) array([[ 2, 0], [-3, 16]])
矩阵 A 和 B 的对应元素相乘,由图1直观表示。
图1:对应元素相乘示意图
NumPy 数组不仅可以和数组进行对应元素相乘,还可以和单一数值(或称为标量)进行运算。运算时,NumPy 数组中的每个元素都和标量进行运算,其间会用到广播机制。
print(A*2.0) [[ 2. 4.] [-2. 8.]] print(A/2.0) [[ 0.5 1. ] [-0.5 2. ]]
由此,推而广之,数组通过一些激活函数后,输出与输入形状一致。
X=np.random.rand(2, 3) def softmoid(x): return 1/(1+np.exp(-x)) def relu(x): return np.maximum(0, x) def softmax(x): return np.exp(x)/np.sum(np.exp(x)) print( 输入参数X的形状: , X.shape) print( 激活函数softmoid输出形状: , softmoid(X).shape) print( 激活函数relu输出形状: , relu(X).shape) print( 激活函数softmax输出形状: , softmax(X).shape)
运行结果:
输入参数X的形状: (2, 3)
激活函数softmoid输出形状: (2, 3)
激活函数relu输出形状: (2, 3)
激活函数softmax输出形状: (2, 3)
点积运算(Dot Product)又称为内积,在 NumPy 中用 np.dot() 函数表示,其一般格式为:
numpy.dot(a, b, out=None)
以下通过一个示例来说明 dot() 的具体使用方法及注意事项:
X1=np.array([[1,2],[3,4]]) X2=np.array([[5,6,7],[8,9,10]]) X3=np.dot(X1,X2) print(X3)
输出结果:
[[21 24 27]
[47 54 61]]
以上运算,可用图2表示。
图2:矩阵的点积示意图,对应维度的元素个数需要保持一致 在图2中,矩阵 X1 和矩阵 X2 进行点积运算,其中 X1 和 X2 对应维度(即 X1 的第 2 个维度与 X2 的第 1 个维度)的元素个数必须保持一致。此外,矩阵 X3 的形状是由矩阵 X1 的行数与矩阵 X2 的列数构成的。
23605.html
NumPypython相关文章
- python numpy dtype object_关于Numpy数据类型对象(dtype)使用详解
- [Python3]Numpy数组转置的三种方法T、transpose、swapaxes「建议收藏」
- numpy中randn_flattening
- numpy矩阵转置
- pytorch Tensor转numpy并解决RuntimeError: Can‘t call numpy() on Tensor that requires grad.报错
- NumPy、Pandas中若干高效函数!
- jupyter notebook_numpy_1
- 【Python】简约而不简单的Numpy小抄表(含主要语法、代码)
- NumPy 初学者指南中文第三版:1~5
- numpy的random模块详细解析详解大数据
- Numpy是什么?
- NumPy数组的变形(改变数组形状)