numpy安装与常用的属性方法

曾经终败给现在 2022-05-10 11:08 180阅读 0赞

> 最近两个月没有更新博客是因为我在尝试使用keras进行图像识别，然后里面就使用到了numpy，今天我就来写一下numpy为什么在机器学习领域那么使用的那么多，现在我们先来安装一下numpy

`pip install numpy`

## 简单介绍numpy ##

> numpy 底层采用c 语言编写 它的主要的使用领域是科学技术领域，非常适合做矩阵运算  
> 什么是矩阵？ 简单说一下，我们都知道在任何一门编程语言里面都有列表或者数组的概念  
> 也可以叫做向量vector 数组或者列表是一维的就像这个样子\[1, 2, 3, 4, 5\]而矩阵呢，你可以把它理解为多维的数组大概像这样的\[\[1 2 3\], \[4 5 6\]\] 这就叫做矩阵，而numpy 非常适合做矩阵运算。那这个numpy又是如何跟图像识别关联起来的呢，首先我们来看一张图片，如下图

![楼楼][70]  
在我们眼里的图片，可以看到是一只猫，但是计算机如果要做识别，它要怎么看这个图呢。  
答案就是`把这个图片转为计算机可以识别的样子。怎么转呢，什么样才是计算机可以识别的样子`？  
这里我们就需要知道计算机要怎么看图了，我们都知道图像其实是由一个一个的像素点组成的，我们把  
像素点使用数值来表达怎么样？使用0-255表示像素点，颜色越深数值越高，反之越浅，就像下面的图片  
人类的眼中是这样的（图片来自知乎:[https://www.zhihu.com/question/39022858）][https_www.zhihu.com_question_39022858]  
![8][]  
计算机眼中是这样的  
![在这里插入图片描述][70 1]

现在我们知道了计算机可以识别的图像是什么样的了，现在需要解决的问题是，我们有图像了，如何把它转成  
计算机可以识别的样子，这里就需要使用python的视觉处理模块啦 cv2 模块  
现在我们把刚才是图片转成计算机可以识别的样子  
![mc][]

看到了吗，图像被转换成了矩阵！这样就把numpy和机器学习关联起来了，实际上tensorflow等框架在做图像识别的时候，输入的数据就是这样的图像矩阵！！ 好啦扯远啦。接下来继续讲numpy  
numpy 支持的数据类型  
![dtype][]

## 安装numpy（环境Linux） ##

> pip install numpy

## 常用的属性 ##

1 查看矩阵的数据类型  
`dtype`  
比如我们查看刚才我们把图片转换成的矩阵数据类型是什么

import numpy as np
    import cv2
    image = cv2.imread("cat.jpg")
    image = np.array(image)
    image.dtype
    
    ## out ##
    
    dtype('uint8')

2 查看矩阵的大小  
`shape`

image.shape
    ## out ##
    (407, 430, 3)
    这个407 和 430 代表图像的宽度和高度， 3 代表RGB 三颜色在机器学习里面叫做通道（channel）如果图像是黑白色的 这个就是 1

![在这里插入图片描述][70 2]

3 查看矩阵的深度  
`ndim`

image.ndim
    ## out ##
    
    3

## 常用方法 ##

1 生成随机矩阵  
根据给定维度生成\[0,1)之间的数据，包含0，不包含1

numpy.random.rand(3, 2) 
    ## out ##
    [[0.38723131 0.56080535 0.28986393]
     [0.52948079 0.49717751 0.42280896]
     [0.51374604 0.56677323 0.90121968]]

==2 生成 一维矩阵 ==  
`arange` 这个和python 里面的range 方法差不多

numpy.arange(6)
    ## out ##
    array([0, 1, 2, 3, 4, 5])

3 将arange一维矩阵拆分成 n 维矩阵  
`reshape`

numpy.arange(6).reshape((2, 3))
    
    ## out ##
    
    array([[0, 1, 2],
           [3, 4, 5]])

4 创建矩阵

`array` 创建矩阵时里面的元素数据类型可以制定，使用参数dtype 进行指定

array = numpy.array([[1, 2], [3, 4]])

5 求矩阵最大值,最小值，平均值  
`max`  
`min`  
`mean`

numpy.max(array)
    numpy.min(array)
    numpy.mean(array)
    
    ## out ##
    4
    1
    2.5

6 获取矩阵中最大值和最小值的索引  
`argmax`  
`argmin`  
例如我现在有个矩阵 a =  
\[\[1 2 3\]  
\[4 5 6\]\]

我们可以看出来这个矩阵当中最大值是 6 最小值是 0 因此可以这样获取

numpy.argmax(a)
    numpy.argmin(a)
    ## out ##
    5
    0

我们可以指定 axis 根据行 还是根据列来获取最大值和最小值的索引

numpy.argmax(a, axis=0)
    numpy.argmin(a, axis=0)
    ## out ##
    array([1, 1, 1])
    array([0, 0, 0])
    # ----------------------------------------
    numpy.argmax(a, axis=1)
    numpy.argmin(a, axis=1)
    ## out ##
    array([2, 2])
    array([0, 0])

axis=0 的时候是根据列来取每一列的最大 或者最小值的 如下图  
![axis0][]

当axis=1的时候是根据行 来获取的每一行最大或者最小值 如下图  
![axis1][]

7 数据类型转换  
`astype`  
可以将矩阵从一种类型转换到另外一种类型  
例如我现在的矩阵 a  
\[\[1 2 3\]  
\[4 5 6\]\]  
现在的类型是 int64 假如我想把它转换成 float64的类型  
`f64 = a.astype('float64')`

8 矩阵倒置 将行变成列，列变成行  
`T`  
例如我们有数组 a  
\[\[1 2 3\]  
\[4 5 6\]\]

t= a.T
    ##out##
    array([[1, 4],
          [2, 5],
          [3, 6]])
    #行变列
    t.T
    ##out##
    array([[1, 2, 3],
          [4, 5, 6]])

## 矩阵运算 ##

矩阵相加  
矩阵相减  
矩阵相乘  
矩阵相除  
例如我们现在有两个矩阵 a b  
a =  
\[\[1 2 3\]  
\[4 5 6\]\]  
b =  
\[\[7 8 9\]  
\[10 11 12\]\]

a + b
    ##out##
    array([[ 8, 10, 12],
           [14, 16, 18]])
    
    b - a 
    ##out##
    array([[6, 6, 6],
           [6, 6, 6]])
          
     a * b
     ##out##
     array([[ 7, 16, 27],
           [40, 55, 72]])
     b / a
     ##out##
     array([[7. , 4. , 3. ],
           [2.5, 2.2, 2. ]])

还可以让矩阵中的每个值加减乘除某个数  
例如

b / 2
    ##out##
    array([[3.5, 4. , 4.5],
           [5. , 5.5, 6. ]])

矩阵内积  
`dot`  
在卷积神经网络中卷积层用到内积运算

来看例子  
假如我现在有矩阵  
a = \[0, 1, 2, 3, 4, 5, 6\]  
b = \[0, 1, 2, 3, 4, 5, 6\]  
则两个的内积

dot = np.dot(a, b)
    ##out##
    91
    # 其大概运算就是 两个矩阵 每一列相乘 加上下一列相乘
    0 × 0 + 1 x 1 + 2 x 2 + 3 x 3 + 4 x 4 + 5 x 5 + 6 x 6 = 96

## 以上就是numpy 的一些常用属性和方法，后续我会再回来补充如何使用keras进行图像识别,回见啦 ##

![在这里插入图片描述][70 3]

[70]: /images/20220510/2d384238a5d24da5b05216d571c4409a.png
[https_www.zhihu.com_question_39022858]: https://www.zhihu.com/question/39022858%EF%BC%89
[8]: /images/20220510/72b51e86e6144d44bee5159c5c214167.png
[70 1]: /images/20220510/4190a32dbc364d65b0dcf50208a69675.png
[mc]: /images/20220510/7ef1c7f9f9904ecfa468eb529ceaac53.png
[dtype]: /images/20220510/ebd8b0a4e24e4746a4d4c7c1beed7eca.png
[70 2]: /images/20220510/510f5df17aa9497f84bbef2d9c14e443.png
[axis0]: /images/20220510/82e56db326dc4622a681cb490e45738f.png
[axis1]: /images/20220510/7a9425f6b3d14110a0c228293bfe6f4b.png
[70 3]: /images/20220510/e1e726997e114dfc9b5d6d7dc59e3f8a.png