30
4
CFSDN nhấn mạnh vào việc tạo ra giá trị thông qua mã nguồn mở. Chúng tôi cam kết xây dựng một nền tảng chia sẻ tài nguyên để mọi người làm CNTT có thể tìm thấy thế giới tuyệt vời của riêng mình tại đây.
Bài đăng trên blog CFSDN này giải thích chi tiết về nguyên lý/cơ chế phát sóng trong Numpy. Bài đăng được tác giả thu thập và biên soạn. Nếu bạn quan tâm đến bài viết này, vui lòng thích.
Nguyên tắc phát sóng.
Hai mảng được coi là tương thích với phát sóng nếu các chiều theo sau của chúng (các chiều bắt đầu từ cuối) có cùng độ dài trục hoặc nếu một trong số chúng có độ dài là 1. Phát sóng xảy ra trên các chiều bị thiếu và/hoặc các chiều có độ dài trục là 1.
Trong ví dụ trên, khi giá trị trung bình của cột được trừ đi khỏi mỗi cột của arr, chiều theo sau của arr là 3 và chiều theo sau của arr.mean(0) cũng là 3, thỏa mãn điều kiện khớp độ dài trục và việc phát sóng sẽ được thực hiện trên chiều bị thiếu.
Điều hơi lạ ở đây là chiều bị thiếu không phải là axis=1 mà là axis=0. Theo hiểu biết cá nhân của tôi thì chiều bị thiếu là chiều mà hai mảng khớp với nhau ngoài chiều dài trục. Trong ví dụ trên, nó là axis=0. Hoan nghênh những sửa đổi về điểm này.
arr.mean(0) được phát sóng theo trục = 0, có thể được coi là sao chép arr.mean(0) bốn lần theo hướng dọc. Nghĩa là, khi phát sóng, arr.mean(0) tương đương với một mảng có hình dạng = (4,3), và mỗi hàng của mảng đều giống nhau, đó là arr.mean(0).
Để hiểu nguyên tắc này, trước tiên chúng ta hãy xem một số ví dụ sau:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
hai mươi mốt
hai mươi hai
hai mươi ba
hai mươi bốn
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
# Mảng trực tiếp cộng, trừ, nhân, chia một số và kết quả là mỗi phần tử trong mảng sẽ được cộng, trừ, nhân hoặc chia cho số này.
TRONG [
12
]:
nhập khẩu
numpy như np
TRONG [
13
]: Một
=
np.arange(
1
,
13
).Định hình lại((
4
,
3
))
TRONG [
14
]: Một
*
2
Ngoài[
14
]: mảng([[
2
,
4
,
6
],
[
8
,
10
,
12
],
[
14
,
16
,
18
],
[
20
,
hai mươi hai
,
hai mươi bốn
]])
# Tiếp theo, chúng ta hãy xem xét phép tính giữa các mảng
TRONG [
17
]: b
=
np.arange(
12
,
hai mươi bốn
).Định hình lại((
4
,
3
))
TRONG [
18
]: b
Ngoài[
18
]: mảng([[
12
,
13
,
14
],
[
15
,
16
,
17
],
[
18
,
19
,
20
],
[
hai mươi mốt
,
hai mươi hai
,
hai mươi ba
]])
TRONG [
19
]: Một
+
b
Ngoài[
19
]: mảng([[
13
,
15
,
17
],
[
19
,
hai mươi mốt
,
hai mươi ba
],
[
25
,
27
,
29
],
[
31
,
33
,
35
]])
TRONG [
20
]: c
=
np. mảng([
1
,
2
,
3
])
TRONG [
hai mươi mốt
]: Một
+
c
Ngoài[
hai mươi mốt
]: mảng([[
2
,
4
,
6
],
[
5
,
7
,
9
],
[
8
,
10
,
12
],
[
11
,
13
,
15
]])
TRONG [
hai mươi hai
]:đ
=
np.arange(
10
,
14
).Định hình lại((
4
,
1
))
TRONG [
hai mươi ba
]:đ
Ngoài[
hai mươi ba
]: mảng([[
10
],
[
11
],
[
12
],
[
13
]])
TRONG [
hai mươi bốn
]: Một
+
ngày
Ngoài[
hai mươi bốn
]: mảng([[
11
,
12
,
13
],
[
15
,
16
,
17
],
[
19
,
20
,
hai mươi mốt
],
[
hai mươi ba
,
hai mươi bốn
,
25
]])
# Từ những điều trên, ta có thể thấy rằng, không giống như trong đại số tuyến tính, một mảng một chiều gồm m*n cột và m hàng hoặc một mảng một chiều gồm n cột cũng có thể được tính toán.
|
Tại sao lại thế? Ở đây chúng ta cần đề cập đến nguyên tắc phát sóng của numpy:
Hai mảng được coi là tương thích với phát sóng nếu các chiều theo sau của chúng (các chiều bắt đầu từ cuối) có cùng độ dài trục hoặc nếu một trong số chúng có độ dài là 1. Phát sóng xảy ra trên các chiều bị thiếu và/hoặc các chiều có độ dài trục là 1.
Trong đoạn mã trên, chiều của a là (4, 3), chiều của c là (1, 3) và chiều của d là (4, 1). Vì vậy, giả sử có hai mảng, mảng đầu tiên có kích thước (x_1, y_1, z_1), và mảng kia có kích thước (x_2, y_2, z_2). Để xác định xem hai mảng này có thể được tính toán hay không, chúng ta có thể sử dụng phương pháp sau để xác định:
|
1
2
3
4
5
6
7
8
9
10
|
nếu như
z_1
=
=
z_2
hoặc
z_1
=
=
1
hoặc
z_2
=
=
1
:
nếu như
y_1
=
=
y_2
hoặc
y_1
=
=
1
hoặc
y_2
=
=
1
:
nếu như
x_1
=
=
x_2
hoặc
x_1
=
=
1
hoặc
x_2
=
=
1
:
Có thể tính toán được
khác
:
Không thể hoạt động
khác
:
Không thể hoạt động
khác
:
Không thể hoạt động
|
Cần lưu ý ở đây rằng (3, 3, 2) và (3, 2) có thể được vận hành, vì mảng hai chiều (3, 2) cũng có thể được biểu thị là (1, 3, 2) và các quy tắc trên hoàn toàn có thể áp dụng. Tương tự như vậy, (4, 2, 5, 4) và (2, 1, 4) cũng có thể được vận hành.
Trên đây là toàn bộ nội dung bài viết này, hy vọng sẽ giúp ích cho việc học tập của mọi người, và mong các bạn ủng hộ tôi.
Liên kết gốc: https://segmentfault.com/a/1190000016460482.
Cuối cùng, bài viết này về giải thích chi tiết về nguyên lý/cơ chế phát sóng trong Numpy kết thúc tại đây. Nếu bạn muốn biết thêm về giải thích chi tiết về nguyên lý/cơ chế phát sóng trong Numpy, vui lòng tìm kiếm các bài viết CFSDN hoặc tiếp tục duyệt các bài viết liên quan. Tôi hy vọng bạn sẽ ủng hộ blog của tôi trong tương lai! .
30
4
0
Khi xuất ra một tập lệnh, tôi có mảng numpy masked và mảng numpy chuẩn. Làm thế nào tôi có thể dễ dàng kiểm tra xem một mảng có bị masked (có dữ liệu, thuộc tính mask) khi tôi chạy tập lệnh? Câu trả lời tốt nhất là bạn có thể sử dụng isin
Câu hỏi của tôi giả sử tôi có = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), ...7,8]), np.array([7,8]), np.array
Numpy có tích hợp sẵn chức năng lũy thừa ma trận không? (Như user2357112 đã chỉ ra, thực ra tôi đang tìm kiếm phép rút gọn mô-đun theo từng phần tử) Một cách để thực hiện phép lũy thừa mô-đun cho các số thông thường là sử dụng phép lũy thừa bình phương (https://en
Tôi đã triển khai gradient descent này trong Numpy: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
Tôi có một dự án chạy trên CentOS7 sử dụng Numpy. Vấn đề là việc cài đặt phần phụ thuộc này mất rất nhiều thời gian. Do đó, tôi đã thử yum cài đặt thư viện numpy trước khi pip cài đặt nó. Vì vậy, tôi chạy:
để xử lý dữ liệu tôi muốn xoay. Xin lưu ý rằng tôi chỉ sử dụng được numpy và không thể sử dụng pandas. Dữ liệu gốc như sau: dữ liệu = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) Tôi đã thấy nhiều con số khác nhau cho tập hạt giống này trong nhiều hướng dẫn về phân tích dữ liệu và học máy khác nhau. Việc lựa chọn một số hạt giống cụ thể có thực sự tạo nên sự khác biệt không? Hoặc bất kỳ số nào cũng được? Mục đích của việc chọn số lượng hạt giống là để đảm bảo khả năng tái tạo của cùng một thí nghiệm.
Tôi cần đọc một phần của mảng numpy khổng lồ được lưu trữ trong tệp ánh xạ bộ nhớ, xử lý dữ liệu và lặp lại cho phần khác của mảng. Toàn bộ mảng numpy chiếm khoảng 50 GB và máy của tôi có RAM 8 GB. Ban đầu tôi sử dụng numpy.m
để xử lý dữ liệu tôi muốn xoay. Xin lưu ý rằng tôi chỉ sử dụng được numpy và không thể sử dụng pandas. Dữ liệu gốc như sau: dữ liệu = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
Có vẻ như bất cứ điều gì có thể thực hiện được với numpy.empty() đều có thể dễ dàng thực hiện được với numpy.ndarray(), ví dụ: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
Tôi có nhiều dạng khác nhau trong một mảng numpy lớn và tôi muốn tính khoảng cách Euclide từ cạnh này đến cạnh kia giữa chúng bằng numpy và scipy. Lưu ý: Tôi đã tìm kiếm điều này và nó khác với các câu hỏi trước đó trong stack vì tôi muốn lấy giá trị của khối thẻ trong mảng
Tôi có một mảng numpy các đối tượng có kích thước (2x3). Chúng tôi gọi nó là M1. Trong M1 có 6 mảng numpy. Hình dạng của các mảng trong một hàng nhất định của M1 là giống nhau, nhưng chúng khác với hình dạng của các mảng trong bất kỳ hàng nào khác của M1. Nghĩa là, M1 = [ [
Làm thế nào tôi có thể viết tích vô hướng sau bằng cách sử dụng ký hiệu Einstein? nhập numpy dưới dạng np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
Giả sử tôi có np.array của a = [0, 1, 1, 0, 0, 1] và b = [1, 1, 0, 0, 0, 1] Tôi muốn một ma trận c mới sao cho nếu a[i] = 0 và b[i] = 0
Tôi có một mảng numpy có dạng (32,5). Mỗi phần tử của lô chứa một mảng numpy batch_elem = [s,_,_,_,_] trong đó s = [img,val1,val
Hãy thử đào tạo mạng nơ-ron một lớp cho bài toán phân loại đa nhãn dựa trên văn bản. mô hình = Mô hình tuần tự().thêm(Dense(20, input_dim=400, kernel_initializer='
Đầu tiên là một ví dụ đơn giản import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
Tôi đang cố gắng tính trung bình một mảng numpy 2D. Vì vậy, tôi đã sử dụng numpy.mean nhưng kết quả lại là mảng rỗng. nhập numpy dưới dạng np ws1 = np.array(ws1) ws1_I8 = np.ar
nhập numpy dưới dạng np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] Đầu ra mong đợi: ar
Tôi có hai mảng A (4000,4000) trong đó chỉ có đường chéo được điền dữ liệu và mảng B (4000,5) trong đó cả hai đều được điền dữ liệu. Có cách nào nhanh hơn để nhân (dot) các mảng này ngoài hàm numpy.dot(a,b) không? Cho đến nay, tôi đã tìm thấy
Trung tâm cá nhân
Bài viết phát hành
từ bỏ
Tôi là một lập trình viên xuất sắc, rất giỏi!