Python心法:numpy命令关于axis=0,axis=1,axis=2
二维数组情形
例1
mu = np.mean(features,axis=0)
features为M×N, 那么mu为(N,)或记1×N
例2
X_input = np.concatenate((features,intercept_feature),axis=1)
features为M×N,那么X_input为M ×(N+1)
例3
>>> a = np.array([[1, 2], [3, 4]])
>>> np.mean(a)
2.5
>>> np.mean(a, axis=0)
array([ 2., 3.])
>>> np.mean(a, axis=1)
array([ 1.5, 3.5])
点评:矩阵记法M×N,M为行数,N为列数。
三维数组情形
例4
A = np.arange(8).reshape((2,2,2))
A:
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
mu0 = np.mean(A,axis=0)
mu0:
array([[2., 3.],
[4., 5.]])
mu1 = np.mean(A,axis=1)
mu1:
array([[1., 2.],
[5., 6.]])
mu2= np.mean(A,axis=2)
mu2:
array([[0.5, 2.5],
[4.5, 6.5]])
点评:三维数组可以理解为两个二维平面平行放置。
B=np.arange(50).reshape((2,5,5))
B:
array([[[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]],
[[25, 26, 27, 28, 29],
[30, 31, 32, 33, 34],
[35, 36, 37, 38, 39],
[40, 41, 42, 43, 44],
[45, 46, 47, 48, 49]]])
B[0]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]])
C=np.arange(50).reshape((5,5,2))
C:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7],
[ 8, 9]],
[[10, 11],
[12, 13],
[14, 15],
[16, 17],
[18, 19]],
[[20, 21],
[22, 23],
[24, 25],
[26, 27],
[28, 29]],
[[30, 31],
[32, 33],
[34, 35],
[36, 37],
[38, 39]],
[[40, 41],
[42, 43],
[44, 45],
[46, 47],
[48, 49]]])
例5
A = np.arange(8).reshape((2,2,2))
A:
array([[[0, 1],
[2, 3]],
[[4, 5],
[6, 7]]])
filter_kernel_flipped=np.rot90(A, 1, (1,2))
filter_kernel_flipped:
array([[[1, 3],
[0, 2]],
[[5, 7],
[4, 6]]])
此例np.rot90()函数为axis1和axis2确定的平面内旋转一次。
更多数学原理小文请关注公众号:未名方略
Python心法:numpy命令关于axis=0,axis=1,axis=2相关推荐
- Python——sum()、.sum(axis=0)和.sum(axis=1)函数的使用
Python--sum()..sum(axis=0)和.sum(axis=1)函数的使用
- numpy中的axis=0,axis=1
from: http://blog.csdn.net/rango_lhl/article/details/50542887 axis=0表述列 axis=1表述行 如下面例子: In [52]: ar ...
- softmax(a,axis=0)的用法理解 总结
对于3维度数组 总结axis=0 , 1 ,2 axis=0 沿着 axis=0方向 (可以认为是时间的方向)取每个单元对应元素进行计算softmax() //通俗理解就是今天8点钟的对应行对应列的 ...
- 使用Python和Numpy构建神经网络模型
基于Paddle Paddle学习 波士顿房价预测任务 上一节我们初步认识了神经网络的基本概念(如神经元.多层连接.前向计算.计算图)和模型结构三要素(模型假设.评价函数和优化算法).本节将以&quo ...
- 使用Python和Numpy进行波士顿房价预测任务(二)【深度学习入门_学习笔记】
使用Python和Numpy进行波士顿房价预测任务–详解 目录: 一.数据处理 (1)读入数据 (2)数据形状变换 (3)数据集划分 (4)数据归一化处理 (5)封装成load data函数 二.模型 ...
- [转载] [转载] python 中NumPy和Pandas工具包中的函数使用笔记(方便自己查找)
参考链接: Python中的numpy.sinh 参考链接: Python中的numpy.less_equal 二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ...
- [转载] python 中NumPy和Pandas工具包中的函数使用笔记(方便自己查找)
参考链接: Python中的numpy.less_equal 二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ndarray, 具有矢量算术运算和复杂广播能力 ...
- 1.2 使用Python和Numpy构建神经网络模型
本节以"波士顿房价"任务为例,向读者介绍使用Python语言和Numpy库来构建神经网络模型的思考过程和操作方法 波士顿房价预测任务 上一节我们初步认识了神经网络的基本概念(如神经 ...
- 使用Python和Numpy进行波士顿房价预测任务(一)【深度学习入门_学习笔记】
波士顿房价预测是一个经典的机器学习任务,类似于程序员世界的"Hello World".和大家对房价的普遍认知相同,波士顿地区的房价是由诸多因素影响的. 下载数据集:https:// ...
- 用python的numpy实现mnist手写数字识别
完整代码的文章底部(Optimization_mnist.py和lr_utils.py),原理和公式部分可以看前面文章,转载文章请附上本文链接 学完前面(1到6)文章就完成了吴恩达deeplearni ...
最新文章
- explain性能分析
- 重型车辆盲区行为检查Behaviours – Heavy Vehicle Blind Spots
- Vue.js 模板语法
- struts2教程(6)--国际化处理
- 装配bean的三种方式
- boost::core::is_same用法测试实例
- pat00-自测5. Shuffling Machine (20)
- 使Android 自带SDK 完美支持HTML5 之 html5webview
- [转]在python中删除list中元素的3种方法:remove、pop、del
- 【Latex】数学公式排版
- TFLite模型文件转C语言文件
- 中国电信路由器设置虚拟服务器,中国电信天翼宽带无线路由器设置方法
- 计算机 word 节是什么,Word的分节符是什么
- 心理账户--《别做正常的傻瓜》摘记1
- C语言中access的使用
- 12门课100分,直博清华的学霸火了!“造假都不敢这么写”
- 我爬取了CSDN总榜TOP10博主的2万多篇文章,看看他们为什么这么火
- SE14 调整并激活数据库
- 微服务商城系统(四)商品管理
- 动森大头菜价格变化分析(1)——不同价格走势的变换