深度学习编程作业与算法相关函数笔记

快来打我* 2022-12-25 07:58 139阅读 0赞

### 文章目录 ###

*   *  Numpy库
     *   *  1.rand()，randn()，randint()，random\_sample()
         *  2.squeeze()，ravel()，flatten()
         *  3.array()
         *  4.linalg.norm()
         *  5.随机种子
         *  6.eye()
     *  Matplotlib库
     *   *  1.contourf()
         *  2.cmap=plt.cm.Spectral
         *  3.subplot()
         *  4.axis()
         *  5.rcParams\[\]
     *  TensorFlow框架
     *   *  1.tf.one\_hot()
         *  2.tf.argmax()
         *  3.tf.cast()
         *  4.tf.random\_normal()，tf.random\_uniform()，tf.truncated\_normal()，tf.random\_shuffle()
         *  5.tf.contrib.layers.xavier\_initializer()
         *  6.tf.nn.sparse\_softmax\_cross\_entropy\_with\_logits()
     *  Keras框架
     *   *  1.K.learning\_phase()

## Numpy库 ##

import numpy as np

### 1.rand()，randn()，randint()，random\_sample() ###

> **作用**：生成(0,1)均匀分布随机数；生成(0,1)标准正态分布随机数；生成随机整数；生成\[0,1)随机数。  
> **参考**：-[Numpy 中 rand, randn, randint,random\_sample用法][Numpy _ rand_ randn_ randint_random_sample]

### 2.squeeze()，ravel()，flatten() ###

> **语法**：`numpy.squeeze(a,axis = None)`  
> **作用**：三个函数都有将多维数组转换为一维数组的功能。`squeeze()`函数从数组的形状中删除单维度条目，即把shape中为1的维度去掉。  
> **参考**： - [Numpy库学习—squeeze()函数][Numpy_squeeze]  
> \-[numpy中的ravel()][numpy_ravel]  
> \-[numpy中的ravel()、flatten()、squeeze()的用法与区别][numpy_ravel_flatten_squeeze]

### 3.array() ###

> **语法**：`numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)`  
> **作用**：生成数组（第三个参考里列举了其他相关函数）  
> **参考**：[\-Numpy.array()详解 、np.array与np.asarray辨析、 np.array和np.ndarry的区别][-Numpy.array_ _np.array_np.asarray_ np.array_np.ndarry]  
> \-[np.array()][np.array]

### 4.linalg.norm() ###

> **语法**：`np.linalg.norm(x, ord=None, axis=None, keepdims=False)`  
> **作用**：求范数，默认是ord=2即 L 2 L\_2 L2范数。  
> **参考**：-[np.linalg.norm(求范数)][np.linalg.norm]

### 5.随机种子 ###

> **语法**：`np.random.seed(0)`  
> **作用**：和`np.random.rand()`等生成随机数的方法一起使用，用来生成伪随机数。  
> **参考**：-[随机种子的详解][Link 1]

### 6.eye() ###

> **语法**：`np.eye(3)[labels.reshape(-1)]`  
> **作用**：深度学习中将数组转换成one-hot向量  
> **参考**：-[np.eye()函数][np.eye]

## Matplotlib库 ##

import matplotlib.pyplot as plt

### 1.contourf() ###

> **语法**：`plt.coutour([X, Y,] Z,[levels], **kwargs)`  
> **作用**：绘制三维等高线，`contour()` 绘制轮廓线，`contourf()`会填充轮廓。  
> **参考**：-[matplotlib.pyplot contourf()函数的使用][matplotlib.pyplot contourf]

### 2.cmap=plt.cm.Spectral ###

> **语法**：`plt.scatter(X, Y, c = label, s = 40, cmap = plt.cm.Spectral)`  
> **作用**：给label为1的点一种颜色，给label为0的点另一种颜色。  
> **参考**：-[关于plt.cm.Spectral][plt.cm.Spectral]

### 3.subplot() ###

> **语法**：`plt.subplot(nrows, ncols, index, **kwargs)`  
> **作用**：用子图的形式表示图表  
> **参考**：-[plt.subplot()使用方法以及参数介绍][plt.subplot]

### 4.axis() ###

> **语法**：`plt.axis([a, b, c, d])`  
> **作用**：x坐标轴范围\[a,b\]，y坐标轴范围\[c,d\]，还可以对坐标轴进行其他设置，详见参考。  
> **参考**：-[matplotlib系列-plt.axis][matplotlib_-plt.axis]

### 5.rcParams\[\] ###

> **语法**：`plt.rcParams['image.interpolation'] = 'nearest'`  
> **作用**：设置插值方式，可以利用其他参数设置图像细节，具体见参考。  
> **参考**：-[Matplotlib中plt.rcParams用法（设置图像细节）][Matplotlib_plt.rcParams]

## TensorFlow框架 ##

import tensorflow as tf

### 1.tf.one\_hot() ###

> **语法**：`tf.one_hot(indices,depth,on_value=None,off_value=None,axis=None,dtype=None,name=None)`  
> **作用**：独热函数  
> **参考**：-[tf.one\_hot()][tf.one_hot]

### 2.tf.argmax() ###

> **语法**：`tf.argmax(array,axis)`  
> **作用**：可以认为是`np.argmax()`，返回数组array所在坐标轴axis的最大值的下标。

### 3.tf.cast() ###

> **语法**：`tf.cast(x, dtype)`  
> **作用**：将x的数据格式转化成dtype

### 4.tf.random\_normal()，tf.random\_uniform()，tf.truncated\_normal()，tf.random\_shuffle() ###

> **语法及作用**：  
> 1.`tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)`从正态分布中输出随机值  
> 2.`tf.random_uniform(shape, minval=0,maxval=None,dtype,seed,name)`从均匀分布中返回随机值  
> 3.`tf.truncated_normal(shape, mean, stddev,dtype,seed,name)`截断的正态分布函数  
> 4.`tf.random_shuffle(value,seed,name)`随机打乱张量  
> **参考**：-[tf.argmax, tf.equal, tf.cast和 tf.truncated\_normal][tf.argmax_ tf.equal_ tf.cast_ tf.truncated_normal]  
> \-[tensorflow 生成随机数 tf.random\_normal 和 tf.random\_uniform 和 tf.truncated\_normal 和 tf.random\_shuffle][tensorflow _ tf.random_normal _ tf.random_uniform _ tf.truncated_normal _ tf.random_shuffle]

### 5.tf.contrib.layers.xavier\_initializer() ###

> **语法**：`tf.contrib.layers.xavier_initializer(uniform=True,seed=None,dtype=tf.float32)`  
> **作用**：返回一个用于初始化权重的初始化程序 “Xavier” ，这个初始化器是用来使得每一层输出的方差应该尽量相等。  
> **参考**：-[tf.contrib.layers.xavier\_initializer函数用法][tf.contrib.layers.xavier_initializer]

### 6.tf.nn.sparse\_softmax\_cross\_entropy\_with\_logits() ###

> **语法**：`tf.nn.sparse_softmax_cross_entropy_with_logits(logits=输出层输出,labels=一维vector长度为batch_size)`  
> **作用**：同时实现softmax和cross\_entropy得出loss  
> **参考**：-[【TensorFlow】关于tf.nn.sparse\_softmax\_cross\_entropy\_with\_logits（）][TensorFlow_tf.nn.sparse_softmax_cross_entropy_with_logits]

## Keras框架 ##

from keras import backend as k

### 1.K.learning\_phase() ###

> **语法**：’`K.learning_phase(): 1`  
> **作用**：当前模型执行于训练模式（1）或测试模型（0），一般用于feed\_dict的参数。  
> **参考**：-[K.learning\_phase()函数解说][K.learning_phase]

学习笔记未完，现在的进度是深度学习5.1序列模型的编程作业，深度学习所有完成之后会把编程作业重新过一遍，然后增加笔记。

[Numpy _ rand_ randn_ randint_random_sample]: https://blog.csdn.net/wsp_1138886114/article/details/90813788?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160678486719724816637910%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=160678486719724816637910&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v28-2-90813788.pc_search_result_no_baidu_js&utm_term=numpy%E4%B8%AD%20rand%E5%92%8C%20randn%E7%9A%84%E5%8C%BA%E5%88%AB&spm=1018.2118.3001.4449
[Numpy_squeeze]: https://blog.csdn.net/zenghaitao0128/article/details/78512715
[numpy_ravel]: https://blog.csdn.net/weixin_43685844/article/details/88578576
[numpy_ravel_flatten_squeeze]: https://blog.csdn.net/tymatlab/article/details/79009618?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1.control
[-Numpy.array_ _np.array_np.asarray_ np.array_np.ndarry]: https://blog.csdn.net/sinat_28576553/article/details/89047893?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160678720619726891181448%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=160678720619726891181448&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-3-89047893.pc_search_result_no_baidu_js&utm_term=np.array&spm=1018.2118.3001.4449
[np.array]: https://blog.csdn.net/weixin_30950607/article/details/95737253
[np.linalg.norm]: https://blog.csdn.net/hqh131360239/article/details/79061535
[Link 1]: https://blog.csdn.net/ding_programmer/article/details/95097924
[np.eye]: https://blog.csdn.net/hellocsz/article/details/101014131
[matplotlib.pyplot contourf]: https://blog.csdn.net/lens___/article/details/83960810
[plt.cm.Spectral]: https://blog.csdn.net/robin_Xu_shuai/article/details/79178857
[plt.subplot]: https://blog.csdn.net/missyougoon/article/details/90543210
[matplotlib_-plt.axis]: https://blog.csdn.net/jose_M/article/details/105594038
[Matplotlib_plt.rcParams]: https://blog.csdn.net/weixin_30872337/article/details/97701549
[tf.one_hot]: https://blog.csdn.net/m0_37393514/article/details/81393406
[tf.argmax_ tf.equal_ tf.cast_ tf.truncated_normal]: https://blog.csdn.net/zhuzuwei/article/details/78983562
[tensorflow _ tf.random_normal _ tf.random_uniform _ tf.truncated_normal _ tf.random_shuffle]: https://blog.csdn.net/tz_zs/article/details/75948350?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160679423119724818026734%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=160679423119724818026734&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v28-1-75948350.pc_search_result_no_baidu_js&utm_term=tf.random_normal%20%20%E5%92%8Ctf.truncated_normal&spm=1018.2118.3001.4449
[tf.contrib.layers.xavier_initializer]: https://blog.csdn.net/qq_33148001/article/details/104711167
[TensorFlow_tf.nn.sparse_softmax_cross_entropy_with_logits]: https://blog.csdn.net/ZJRN1027/article/details/80199248
[K.learning_phase]: https://blog.csdn.net/caokaifa/article/details/80795093