导语

深度学习中经常需要对图像和矩阵进行操作，好在python提供了Numpy和Matplotlib库，前者类似一个已经定义的数组类，支持多维，后者和matlab一脉相承，用法也大同小异

NumPy

导入与生成

import numpy as np#常用写法
a=np.array([1.1,2.1,3.4])
print(a)
print(type(a))

算术运算

可以看到，各种算术运算的结果是将对应项进行加减乘除，必须保证矩阵同型，如果第二个操作数只有一个，那么就代表对矩阵的每一项做该操作。

import numpy as np#常用写法
a=np.array([1.0,2.0,3.0])
b=np.array([5.0,6.0,7.0])
print(a+b)
print(a-b)
print(a*b)
print(a/b)
print(a/2.0)

N维数组

NumPy针对的不只是一维数组，也可以是多维数组，常用的对象是矩阵。

import numpy as np#常用写法
a=np.array([[0,1],[2,3]])
print(a)
print(a.shape)
print(a.dtype)
print(a*a)
print(a+a)
print(a*20)

广播

多用于高维数组和低维数组之间，简单理解就是对数组的每个元素进行与低维数组的运算，逻辑上可以理解为低维被拓展成了与对应数组同维度的数组，例子中可以看到输出结果和高维的a相同。

import numpy as np#常用写法
a=np.array([[0,1],[2,3]])
b=np.array([[3,4]])
print(a*b)

元素访问

访问很简单，数组是怎么访问的就怎么写。

import numpy as np#常用写法a=np.array([[11,12],[13,14],[15,16]])print(a)#全部数据print(a[0])#输出一行print(a[0][1])#输出一个for i in a:#按行遍历print(i)a=a.flatten()#转换成一维数组
print(a)print(a[np.array([0,2,3])])#输出对应下标元素print(a>13)#判断大于13的结果print(a[a>13])#返回一个只有大于13的数组

Matplotlib

Python中用于绘制图形的库，看名字就知道和matlab很有关，实际上用法也是大同小异。

简单图案绘制

import numpy as np
import matplotlib.pyplot as pltx=np.arange(0,5,0.2)#范围0~5，步长0.2
y=np.cos(x)plt.plot(x,y)#画函数
plt.show()

多函数绘制

import numpy as np
import matplotlib.pyplot as pltx=np.arange(0,5,0.2)#范围0~5，步长0.2
y1=np.cos(x)
y2=np.sin(x)plt.plot(x,y1,label="cos")
plt.plot(x,y2,linestyle="--",label="sin")
plt.xlabel("x")
plt.ylabel("y")
plt.title('sin&cos')
plt.legend()
plt.show()

图像显示

使用imshow显示，imread读入。

import matplotlib.pyplot as plt
from matplotlib.image import imreadimg=imread('xxx.png')
plt.imshow(img)
plt.show()

总结

NumPy在深度学习中是很常用的一个类，其自带的各种函数和特性很方便实现矩阵间的运算，而matplotlib更适合对结果进行展现

参考文献

1. 《深度学习入门——基于Python的理论与实践》