再谈强大的Numpy
- 2019 年 10 月 5 日
- 筆記
Cs231n之features及numpy
0.说在前面1.numpy3.features4.作者的话
0.说在前面
今天发现cs231n还差一个features.py未更新，特更，并且更新中间穿插的numpy使用！
1.numpy
取指定位置的精度
In
np.around([-0.6,1.2798,2.357,9.67,13], decimals=0)
Out
看到没，负数进位取绝对值大的！
array([-1., 1., 2., 10., 13.])
In
np.around([1.2798,2.357,9.67,13], decimals=1)
Out
array([ 1.3, 2.4, 9.7, 13. ])
In
np.around([1.2798,2.357,9.67,13], decimals=2)
Out
array([ 1.28, 2.36, 9.67, 13. ])
从上面可以看出，decimals表示指定保留有效数的位数，当超过5就会进位(此时包含5)！
但是，如果这个参数设置为负数，又表示什么？
In
np.around([1,2,5,6,56], decimals=-1)
Out
array([ 0, 0, 0, 10, 60])
发现没，当超过5时候(不包含5)，才会进位！-1表示看一位数进位即可，那么如果改为-2呢，那就得看两位！
例如：
In
np.around([1,2,5,50,56,190], decimals=-2)
Out
array([ 0, 0, 0, 0, 100, 200])
看到没，必须看两位，超过50才会进位，190的话，就看后面两位，后两位90超过50，进位，那么为200！
计算沿指定轴第N维的离散差值
In
x = np.arange(1 , 16).reshape((3 , 5))
Out
array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 10], [11, 12, 13, 14, 15]])
In
np.diff(x,axis=1) #默认axis=1
Out
array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]])
In
np.diff(x,axis=0)
Out
array([[5, 5, 5, 5, 5], [5, 5, 5, 5, 5]])
取整
In
np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])
Out
array([-1., -2., -1., -2., 0., 1., 1.])
看到没，负数取整，跟上述的around一样，是向左！
取上限
np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])
取上限！找这个小数的最大整数即可！
查找
利用np.where实现小于0的值用0填充吗，大于0的数不变！
In
x = np.array([[1, 0], [2, -2], [-2, 1]])
Out
array([[ 1, 0], [ 2, -2], [-2, 1]])
In
np.where(x>0,x,0)
Out
array([[1, 0], [2, 0], [0, 1]])
3.features
svm
iters = 6000 svm = LinearSVM() for i in learning_rates: for j in regularization_strengths: svm.train(X_train_feats,y_train,learning_rate=i,reg=j,num_iters=iters) y_train_pred = svm.predict(X_train_feats) accu_train = np.mean(y_train == y_train_pred) y_val_pred = svm.predict(X_val_feats) accu_val = np.mean(y_val == y_val_pred) results[(i, j)] = (accu_train, accu_val) if best_val < accu_val: best_val = accu_val best_svm = svm
neural network
results = {} best_val = -1 best_net = None learning_rates = [1e-2 ,1e-1, 5e-1, 1, 5] regularization_strengths = [1e-3, 5e-3, 1e-2, 1e-1, 0.5, 1] for lr in learning_rates: for reg in regularization_strengths: net = TwoLayerNet(input_dim, hidden_dim, num_classes) # Train the network stats = net.train(X_train_feats, y_train, X_val_feats, y_val, num_iters=1500, batch_size=200, learning_rate=lr, learning_rate_decay=0.95, reg= reg, verbose=False) val_acc = (net.predict(X_val_feats) == y_val).mean() if val_acc > best_val: best_val = val_acc best_net = net results[(lr,reg)] = val_acc
对比上述两者方法，发现代码差不多，其实就是调参！！！
