np.exp(x)
返回 e 的 x 次幂, 优于 math.exp() 的一点是可以接受向量作为参数. 如:
- import numpy as np
- x = np.array([1, 2, 3])
- print(np.exp(x))
结果为:
- [ 2.71828183 7.3890561 20.08553692]
- variable.shape[n]
返回 variable 的形状,[] 中为所要的维度, 若不加则为整体的形状.
variable.reshape(m,n)
将 variable 变为所需的形状,() 中为维度.
np.linalg.norm(vector,axis=...,keepdims=...)
np.linalg.norm 用于获得 vector 的正则化向量, 也就是将向量中所有数字平方相加开根号. 其中 axis 控制相加的方向, 若 axis=1, 则按行相加; 若 axis=0, 则按列相加. keepdims 控制相加后向量的形状是否保持不变. keepdims=true 则保持不变, 否则会改变.
- import numpy as np
- x = np.array([
- [0, 3, 4],
- [1, 6, 4]])
- x_norm = np.linalg.norm(x, axis = 0,keepdims = True)
- print(x_norm)
结果:
[[1. 6.70820393 5.65685425]]
可见因为 axis=0, 按列相加, 行数变为 1, 而 keepdims=true, 故行数为 1, 列数保持不变.
np.sum(vector, axis = ..., keepdims = ...)
用于将向量按某个方向相加. 其中 axis 控制相加的方向, 若 axis=1, 则按行相加; 若 axis=0, 则按列相加. keepdims 控制相加后向量的形状是否保持不变. keepdims=true 则保持不变, 否则会改变. 如:
- import numpy as np
- x = np.array([
- [0, 3, 4],
- [1, 6, 4]])
- x_sum = np.sum(x, axis = 1, keepdims = True)
- print(x_sum)
结果为:
[[ 7] [11]]
来源: http://www.bubuko.com/infodetail-3386901.html