《深度学习与图像识别：原理与实践》—2.3.2　创建Numpy数组

2.3.2　创建Numpy数组

我们可以通过创建Python列表（list）的方式来创建Numpy矩阵，比如输入nparray = np.array([i for i in range(10)])，可以看到返回的结果是array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9])。同样，也可以通过Python列表的方式来修改值，比如输入nparray[0] = 10，再来观察nparray的向量内容就会发现返回的结果是array([ 10,  1,  2,  3,  4,  5,  6,  7,  8,  9])。

Numpy数组还封装了其他方法来创建矩阵。首先，我们介绍第一个方法np.zeros（从命名规则来看，这个方法就是用来创建数值都为0的向量），比如，我们输入：

a = np.zeros(10)

可以看到结果为：

array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])

从上述结果可以看出，每一个0后面都有一个小数点，调用a.dtype会发现我们创建的这个向量的类型为dtype(‘float64’)。值得注意的是：在大部分图像识别算法开发中，我们使用的都是float64这个类型。如果希望在创建Numpy矩阵的时候强制规定一种类型，那么我们可以使用以下代码：

np.zeros(10,dtype=int)

这样，返回的结果在矩阵中的数据就都是整型0了。介绍完使用zeros方法创建向量之后，再来看看如何创建一个多维矩阵。我们可以使用传入元组的方式，代码如下：

np.zeros(shape=(3,4)) #代表创建的是三行四列的矩阵并且其数据类型为float64

返回的结果为：

array([[ 0.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  0.]])

与np.zeros方法相似的还有np.ones方法，顾名思义，np.ones方法创建的矩阵的数值都为1。我们来举个例子：

np.ones((3,4))

返回的结果如下：

array([[ 1.,  1.,  1.,  1.],

       [ 1.,  1.,  1.,  1.],

       [ 1.,  1.,  1.,  1.]])

读者可能会比较好奇，既然我们可以创建数值全为0的矩阵，也可以创建数值全为1的矩阵，那么Numpy是否提供了一个方法可以让我们自己指定值呢？答案是肯定的，这个方法就是np.full方法，我们来看一个例子，代码如下：

np.full((3,5),121) #这个方法的意思是我们创建了一个三行五列的矩阵，默认值为121

返回的结果是：

array([[121, 121, 121, 121, 121],

       [121, 121, 121, 121, 121],

       [121, 121, 121, 121, 121]])

我们也可以使用np.arange方法来创建Numpy的矩阵。示例代码如下：

np.arange(0,20,2) #arange接收三个参数，与Python中的range方法相似，arange也是前闭后开的方法，第一个参数为向量的第一个值0，第二个参数为最后一个值20，因为是后开所以取的是18，第三个参数为步长，默认为1，本例中设置为2，所以最后一个值是18。

返回的结果是：

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

我们可以使用np.linspace方法（前闭后闭）来对Numpy矩阵进行等分，比如将0～10等分为5份的代码如下：

np.linspace(0,10,5)

返回的结果是：

array([  0. ,   2.5,   5. ,   7.5,  10. ])

下面通过几个例子再来看看在Numpy矩阵中如何生成随机数矩阵。

1）生成一个长度为10的向量，里面每一个数值都是介于0～10之间的整数，代码如下：

import numpy as np

np.random.randint(0,10,10)

2）如果不确定每个参数代表的意思，则加上参数名size，代码如下：

np.random.randint(0,5,size=5)  #注意是前闭后开，永远取不到5

3）我们也可以生成一个三行五列的整数矩阵，代码如下

np.random.randint(4,9,size=(3,5))

4）seed的作用：如果不希望每次生成的随机数都不固定，那么我们可以使用np.random.seed(1)，随机种子使用数字1记录，这以后只要是用随机种子1生成的随机数就都是固定的。

5）我们也可以生成介于0～1之间的浮点数的向量或者矩阵，代码如下：

np.random.random(10)       #生成0~1之间的浮点数，向量的长度为10

np.random.random((2,4))           #生成0~1之间的浮点数，二行四列的矩阵

6）np.random.normal()表示的是一个正态分布，normal在这里是正态的意思。numpy.random.normal(loc=0,scale=1,size=shape)的意义如下。

• 参数loc(float)：正态分布的均值，对应这个分布的中心。loc=0说明这是一个以Y轴为对称轴的正态分布。

• 参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。

• 参数size(int或者整数元组)：输出的值赋在shape里，默认为None。