Numpy 상용 함수 와 행렬 연산
① Numpy 의 데이터 구 조 는 ndarray 구조 이다.
② 구조 에 대한 1 차원 배열:
ve = numpy.array([1, 2, 3, 4])
print(ve.shape)
：
(4,) # ， 4 2. Numpy 상용 함수
print(np.arange(15)) # 0 14
a = np.arange(15).reshape(3,5) # (3,5)
print(a)
print(a.ndim) # a
：
[ 0 1 2 ..., 12 13 14] # 0 14
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]] #
2 # 2
---------------------- (ง •_•)ง-----------------------------
a.dtype # a
a.size # a
numpy.zeros((3,4)) # （3，4） ， float
numpy.ones((2,3,4), dtype=numpy.int32) # (2,3,4) 1
numpy.arange(10,30,5) # 10 30 5 （ 30）， [10, 15, 20, 25]
numpy.random.random((2,3)) # (2,3) 3. Numpy. linspace 사용법
from numpy import pi
b = np.linspace(0, 2*pi, 100) # 0 2*pi 100 100
print(b)
：
[ 0. 0.06346652 0.12693304 ..., 6.15625227 6.21971879
6.28318531]4. Numpy 의 계산
a = np.array([10, 20, 30, 40])
b = np.arange(4)
print(a)
print(b)
c = a-b #a b
print(c)
b**2
print(b**2) #b 2
print(a<25) # a 25， True， False
：
[10 20 30 40]
[0 1 2 3]
[10 19 28 37]
[0 1 4 9]
[ True True False False]5. Numpy 의 행렬 연산: 두 가지 연산 방식 의 차이 - A * B 화해시키다 A. dot (B) (또는 np. dot (A, B))
A = np.array([[1,1],[0,1]])
B = np.array([[2,0],[3,4]])
print(A)
print(B)
print("==================")
print(A*B) #A B
print(A.dot(B)) #A B
print(np.dot(A, B)) #A B
：
[[1 1]
[0 1]]
[[2 0]
[3 4]]
==================
[[2 0]
[0 4]] #A B
[[5 4]
[3 4]] #A B
[[5 4]
[3 4]] #A B 이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
caffe 데이터 구조 깊이 학습 (4) - blob 데이터 구조 blob. hpp 파일 상세 해석이 줄 은 shape 벡터 를 통 해 Blob 의 모양 을 바 꾸 는 또 다른 변형 함 수 를 정의 합 니 다. 이 줄 은 Blob 모양 의 함 수 를 읽 고 구성원 변수 shape 로 돌아 가 는 것 을 정의 합 ...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.
좋은 웹페이지 즐겨찾기
