《Deep Learning Series》
  • 深耕系列之深度学习笔记
  • 第一章 Linux学习环境相关配置
    • 1.1 Ubuntu18下有道词典的配置
    • 1.2 Ubuntu18 安装Gitbook
    • 1.3 Ubuntu18 git命令使用总结
    • 1.4 Latex 排版使用笔记
    • 1.5 Ubuntu下常用工具软件配置安装
    • 1.6 win10+ubuntu双系统修复ubuntu启动引导
    • 1.7 gitbook 插件等相关设置
    • 1.8 深度学习环境搭建
    • 1.9 hexo 实现本地图片加载
    • 1.10 hexo网页定制
    • 1.11 sublime text3插件介绍
    • 1.12 vsftpd.conf文件配置
    • 1.13 mysql 笔记
    • 1.14 ubuntu16_18安装peek工具录制gif
    • 1.15 ubuntu下goldendict有道爬虫小程序
    • 1.16 ubuntu18升级后部分应用不能中文输入的问题
    • 1.17 ubuntu下安装有道词典
    • 1.18 opencv 安装
    • 1.19 gym_gazabe安装配置
    • 1.20 docker 基础
    • 1.21 docker_配置权限问题
    • 1.22 jupyternotebook使用
  • 第二章 深度学习相关基础算法
    • 2.1 马尔科夫链
      • 2.1.1 马尔科夫简单模型预测实战笔记
      • 2.1.2 最大熵模型
      • 2.1.3 隐马尔科夫HMM
    • 2.2 矩阵相关基础知识
    • 2.3 线性回归
    • 2.4 决策树
    • 2.5 梯度下降和最小二乘法
    • 2.6 递归算法与迭代算法
    • 2.7 神经网络浅学笔记
    • 2.8 强化学习经验回放
    • 2.9 K近邻算法
    • 2.10 朴素贝叶斯法
    • 2.11 极大似然估计
    • 2.12 logistic regression
  • 第三章 深度学习框架学习
    • 3.1 PyTorch 学习
      • 3.1.2 Pytorch 之MNIST手写字识别分类
    • 3.2 tensorflow学习笔记
      • 3.2.1 tensorflow之MNIST
    • 3.3 matplotlib函数
    • 3.4 numpy函数
  • 第四章 ROS机器人
    • ROS室内仿真环境.md
    • ros and gazebo and gym_gazebo安装
    • ubuntu16 安装gym-gazebo
    • gym-gazebo安装后的测试
    • 基于DQN的gym_gazebo运行代码演示
  • 项目开发
    • Library占座小工具使用手册
  • 附录
    • Python 相关笔记
      • Python 帮助文档检索方法
      • Module篇使用future
    • Git 相关配置
      • git-推送新的文章到github其他分支上
      • gitignre 配置
      • gitignre 配置
      • Hexo 每次写好后deploy博客
      • MFC Socket 通信
      • python之tkinter入坑Pack
      • ubuntu 中安装sublime_text3
      • ubuntu18-正确-安装ShadowSocket
      • vultr+freenom实现主机域名的绑定.md
      • 值得收藏的网站
      • 搜索技巧
      • 第一篇博文
      • 简单的方法,越过付费获取在线的log设计.md
      • 网页设计基础笔记.md
      • 解决Chrome67版本以后不能离线安装插件的情况.md
    • 嵌入式相关笔记
      • STM32串口通信配置
      • STM32复位及通过函数判断是何种条件出发的复位
Powered by GitBook
On this page
  • np.random.rand()函数
  • np.random.randn()函数
  • np.random.randint()函数
  • np堆叠数组
  • numpy.vstack(tup)
  • numpy.stack()

Was this helpful?

  1. 第三章 深度学习框架学习

3.4 numpy函数

Previous3.3 matplotlib函数Next第四章 ROS机器人

Last updated 5 years ago

Was this helpful?

本节主要是学习numpy的函数调用,主要是基础的学习路线,包括简单的实例笔记等。

np.random.rand()函数

语法:

  • np.random.rand(d0,d1,d2……dn)

注:使用方法与np.random.randn()函数相同

  • 返回值:

通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1),不包括1。

np.random.randn()函数

语法:

  • np.random.randn(d0,d1,d2……dn)

1) 当函数括号内没有参数时,则返回一个浮点数;

2) 当函数括号内有一个参数时,则返回秩为1的数组,不能表示向量和矩阵;

3) 当函数括号内有两个及以上参数时,则返回对应维度的数组,能表示向量或矩阵;

4) np.random.standard_normal()函数与np.random.randn()类似,但是np.random.standard_normal() 的输入参数为元组(tuple).

5) np.random.randn()的输入通常为整数,但是如果为浮点数,则会自动直接截断转换为整数。

  • 返回值:

通过本函数可以返回一个或一组服从标准正态分布的随机样本值。

  • 特点:

标准正态分布是以0为均值、以1为标准差的正态分布,记为N($\mu, \sigma$)~(0,1)。对应的正态分布曲线如下所示,即

更为具体的示意图如下

代码输出效果如下

np.random.randint()函数

语法:

  • numpy.random.randint(low, high=None, size=None, dtype=’l’)

  • 输入:

low—–为最小值

high—-为最大值

size—–为数组维度大小

dtype—为数据类型,默认的数据类型是np.int。

  • 返回值:

返回随机整数或整型数组,范围区间为[low,high),包含low,不包含high;

high没有填写时,默认生成随机数的范围是[0,low)

np堆叠数组

  • stack(),hstack(),vstack()函数

numpy.vstack(tup)

语法:

np.vstack((a,b))

  • Parameters:

tup : sequence of ndarrays

The arrays must have the same shape along all but the first axis. 1-D arrays must have the same length.

  • Returns:

stacked : ndarray

The array formed by stacking the given arrays, will be at least 2-D.

>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
array([[1],
       [2],
       [3],
       [2],
       [3],
       [4]])

numpy.stack()

摘要
np.random.rand()函数
语法:
np.random.randn()函数
语法:
np.random.randint()函数
语法:
np堆叠数组
numpy.vstack(tup)
语法:
numpy.stack()
random.rand
均数为0时
均值和标准差
均值和标准差
np.random.randint