1、导入import numpy as np2、生成数组矩阵x np.array([1,2,3,4]) y np.array([[1,2],[3,4],[5,6]])3、计算np.log(x) np.exp(x) np.dot(A,B)#矩阵乘法4、生成数据x np.arange(0,6,0.1)#从0开始到6每步加0.1 y np.zeros(n) #n为整数生成n个元素的一维数列 z np.zeros_like(x) #n为numpy矩阵生成同大小的全为0的矩阵5、求和s np.sum(x)6、类型转换z True z z.astype(np.int)7、保存数据分开保存import os import numpy if os.path.exists(/saves/params_W1.npy): params[W1] np.load(/saves/params_W1.npy)#加载保存的数据 else: if os.path.exists(/saves/): os.makedirs(save_dir)#创建地址 self.params[W1] weight_init_std * np.random.randn(input_size,hidden_size)#生成随机初始值 #保存 np.save(os.path.join(save_dir, params_W1.npy), net.params[W1])8、矩阵的快速迭代it np.nditer(x, flags[multi_index], op_flags[readwrite])#高效迭代以multi_index记录当前点的坐标 while not it.finished: idx it.multi_index #……# it.iternext()9.快速操作y np.argmax(y,axis1) #例y为一个二维矩阵通过np.argmax找到每一行中的最大值返回表示最大值索引的一维数列 x_train np.where(x_train 127, 1.0, 0.0).astype(np.float32) #快速完成二值化 np.eye(4) #生成如下的矩阵 #[[1,0,0,0], # [0,1,0,0], # [0,0,1,0], # [0,0,0,1]]10、随机batch_mask np.random.choice(len(x_train), batch_size) #生成长度为batch_size的随机一维数组取值为0~len(x_train)-1的随机整数 idx np.random.permutation(len(x_train)) #生成长度为0~len(x_train)-1的随机一个错排 self.params[W1] weight_init_std * np.random.randn(input_size,hidden_size) #生成input_size*hidden_size的矩阵取值符合正态分布