《深度学习与图像识别：原理与实践》—2.3　Numpy使用详解

2.3　Numpy使用详解

Numpy（Numerical Python的简称）是高性能科学计算和数据分析的基础包，其提供了矩阵运算的功能。Numpy提供的主要功能具体如下。

• ndarray—一个具有向量算术运算和复杂广播能力的多维数组对象。

• 用于对数组数据进行快速运算的标准数学函数。

• 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。

• 非常有用的线性代数，傅里叶变换和随机数操作。

• 用于集成C /C++和Fortran代码的工具。

除了明显的科学计算用途之外，Numpy还可以用作通用数据的高效多维容器，定义任意的数据类型。这些都使得Numpy能够无缝、快速地与各种数据库集成。

这里提到的“广播”可以这么理解：当两个维度不同的数组（array）运算的时候，可以将低维的数组复制成高维数组参与运算（因为Numpy运算的时候需要结构相同）。

在学习图像识别的过程中，需要将图片转换为矩阵。即将对图片的处理简化为向量空间中的向量运算。基于向量运算，我们就可以实现图像的识别。

2.3.1　创建数组

现在就来关注下Numpy中的一些核心知识点。在Numpy中，最核心的数据结构是ndarray, ndarray代表的是多维数组，数组指的是数据的集合。为了方便理解，我们下面列举一个小例子。

一个班级里学生的学号可以通过一维数组来表示，数组名为a，数组a中存储的是数值类型的数据，分别是1，2，3，4。

其中，a[0]代表的是第一个学生的学号1，a[1]代表的是第二个学生的学号2，以此类推。

一个班级里学生的学号和姓名，可以用二维数组来表示，数组名为b。

类似的，其中b[0,0]代表的就是1（学号），b[0,1]代表的就是Tim（学号为1的学生的名字），以此类推b[1,0]代表的是2（学号）等。

借用线性代数的说法，一维数组通常称为向量（vector），二维数组通常称为矩阵（matrix）。

当我们安装完Anaconda之后，默认情况下Numpy已经在库中了，所以不需要额外安装。下面我们来写一些语句简单测试下Numpy库。

1）在Anaconda的Notebook里输入import numpy as np之后，通过键盘按住Shift+Enter执行，如果没有报错，则说明Numpy已被正常引入，如图2-7所示。

图2-7　在Notebook中引入Numpy

稍微解释下这条语句：通过import关键字将Numpy库引入，然后通过as为其取一个别名np，别名的作用是为了便于后续引用。

2）Numpy中的array()可以直接导入向量，代码如下：

vector = np.array([1,2,3,4])

3）numpy.array()方法也可以导入矩阵，代码如下：

matrix = np.array([[1,'Tim'],[2,'Joey'],[3,'Johnny'],[4,'Frank']])

轮到你来：

首先定义一个向量，然后分配一个变量名vector；定义一个矩阵，然后分配给变量matrix；最后通过Python中的print方法在Notebook中打印出结果。