NumPy、TensorFlow和scikit-learn怎么使用

本篇內容主要講解“NumPy、TensorFlow和scikit-learn怎么使用”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“NumPy、TensorFlow和scikit-learn怎么使用”吧!

NumPy

正如模塊 4中所述，NumPy 的核心是其 N 維數組，它還提供線性代數和傅立葉變換等功能。NumPy 數組是機器學習庫函數中非常常見的輸入值。因此，當你擁有一種特定格式的數據集并且必須將其轉換為另一種格式時，你往往可以直接使用 NumPy。或者你可以使用 NumPy 作為庫函數調用的結果。

只要維度有意義，NumPy 數組就可以直接從嵌套列表、嵌套元組或它們的組合中創建，維度數量不限。

import numpy as np
arr = np.array([ [1, 2, 3], (4, 5, 6) ])
print(arr[0, 1])

在這里，我們把numpy命名為np將它導入。

此外，(0, 1)是用作索引的元組。

NumPy 數組具有切片，可讓你獲取一行或一列：

# returns the first row as a one-dimensional vector
print(arr[0, :])
# returns the first column as a one-dimensional vector 
print(arr[:, 0])

相同的語法也適用于更多維度（盡管在這里很難稱為“行”和“列”）：

arr = np.array([ [ [1, 2, 3], [4, 5, 6] ], 
                 [ [7, 8, 9], [10, 11, 12] ] ])
print(arr[:, :, 0]) # [[ 1,  4], [ 7, 10]]
print(arr[1, :, 0]) # [ 7, 10]

NumPy 的索引和切片比這更強大。查看參考資料以獲得更完整的概述。

NumPy 數組可以使用hstackand水平或垂直堆疊（如果維度正確）vstack，兩者都將數組元組作為參數（正確獲得括號的數量！）：

arr1 = np.array([ [ 1, 1 ], [ 1, 1 ]])
arr2 = np.array([ [ 2, 2 ], [2, 2]])
print(np.hstack((arr1, arr2)))
print(np.vstack((arr1, arr2)))

reshape 是 NumPy 中的一個強大的方法。顧名思義，它改變了數組的形狀。以下就是一個例子：

vector = np.array([ 1, 2, 3, 4, 5, 6, 7, 8, 9 ])
matrix = vector.reshape((3, 3))

reshape的參數是新的形狀，一個所需維度的元組。這是一個相當簡單的示例，但你也可以使用它來重新調整具有更多維度的數組。元素以特定索引順序從原始數組中讀取，并以相同索引順序寫入新數組。請參閱 reshape 文檔 以了解有關索引順序的更多信息。

TensorFlow

為了在高層次上使用神經網絡，我們在 Keras簡介中研究了 Keras。從本質上講，TensorFlow 是一個用于張量計算的庫。

張量是向量和多維矩陣的推廣：

• 0-張量是標量

• 1-張量是一個向量

• 2-張量是一個矩陣

• 一個 3-Tensor 是...只是一個 3-Tensor。

等等。

張量可以保存任何類型的數據：整數、浮點數、字符串等等。盡管在使用 Keras 等高級庫時通常不會遇到這些，但查看它們仍然很有趣，因為它們是 TensorFlow 的基礎構建塊。

那么，NumPy 數組和張量之間有什么區別？兩個對象或多或少代表相同的數據，但張量是不可變的。

TensorFlow 可以對張量執行各種操作。這是一個示例，它以三個矩陣開始，對前兩個矩陣執行矩陣乘法，然后將第三個矩陣相加，然后將結果求反。

import tensorflow as tf
a = tf.constant([ [ 0.6, 0.1 ], [ 0.4, -0.3 ] ])
b = tf.constant([ [ 1.2, 0.7 ], [ 0.9, 1.1 ] ])
c = tf.constant([ [ -0.1, 0.2 ], [ 0.3, 0.1 ] ])

d = tf.matmul(a, b)
e = tf.add(c, d)
f = tf.linalg.inv(e)

sess = tf.Session()
result = sess.run(f) # a NumPy array

操作不會立即執行。結果僅在創建并運行會話時計算。在會話創建之前，上述代碼構建了一個操作圖，然后對其進行評估。

scikit-學習

scikit-learn 是一個廣泛的庫，提供了許多傳統的機器學習方法（非常粗略地說：除了機器學習之外的一切）。您可以在 Jupyter Notebook 單元中使用 pip 安裝它：

Python復制代碼

!pip install scikit-learn

到此，相信大家對“NumPy、TensorFlow和scikit-learn怎么使用”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！