深度学习与图像识别学习笔记day1

文件不可以与现有的包重名哦

1、Theano （旧）

一个python库，可用于定义、优化与计算数学表达式，特别是多维数组（numpy.ndarray），可以理解为一个数学表达式的编译器：用符号式语言定义程序员所需的结果，并可以高效的运行与GPU与CPU上。

2、Tensorflow（新）

基于计算图实现自动微分系统，tensorflow使用数据流图进行数值计算图中的节点代表数学运算，图中的边则代表在这些节点之间传递的多维数组。

3、API

（Application Programming Interface，应用程序编程接口）是一组定义、协议和工具的集合，用于构建软件应用程序时开发人员能够相互之间进行交互。简而言之，API 是一种软件中间件，允许两个应用程序之间进行通信和数据交换，而无需了解对方内部的实现细节。

4、pytorch

一个python优先的深度学习框架，能够在强大的GPU加速的基础上实现张量与动态神经网络，

是一个python的软件包，提供（1）使用强大的GPU加速的tensor计算，类似numpy

　　　　　　　　　　　　　（2）基于tape的auto grad系统的深度神经网络

5、conda

是一个可执行命令，其核心功能是包的管理与环境管理。conda可以在conda环境里安装任何语言包，pip可以在任何环境安装python包

conda可进行包与环境的管理

命令行

安装包    conda install package_name

卸载包    conda remove package_name

更新包    conda update package-name     更新所有  conda update --all

搜索包    conda search search_term

创建环境  conda create -n basic-env  python=3.7

激活环境  activate basic-env

6、numpy

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 （最核心的数据结构）

广播示例

import numpy as np  
  
a = np.array([[1, 2], [3, 4]])  
b = np.array([10, 20])  
  
# b的维度被广播以匹配a  
c = a + b  
print(c)  
# 输出:  
# [[11 22]  
#  [13 24]]

 

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

用于集成C/C++和Fortran代码的工具

6.1、创建数组   

numpy.array()可以导入矩阵、向量

import numpy as np  
  
# 创建一个一维数组（向量）  
vector_1d = np.array([1, 2, 3, 4, 5])  
print(vector_1d)  
print(vector_1d.shape)  # 查看形状，输出: (5,) 表示这是一个长度为5的一维数组  
  
# 也可以创建一个二维数组，但只有一个元素的维度是1，这也可以看作是向量  
vector_as_row = np.array([[1, 2, 3]])  # 行向量  
print(vector_as_row)  
print(vector_as_row.shape)  # 输出: (1, 3)  
  
vector_as_col = np.array([[1], [2], [3]])  # 列向量  
print(vector_as_col)  
print(vector_as_col.shape)  # 输出: (3, 1)

import numpy as np  
  
# 创建一个2x3的矩阵  
matrix_2x3 = np.array([[1, 2, 3], [4, 5, 6]])  
print(matrix_2x3)  
print(matrix_2x3.shape)  # 输出: (2, 3) 表示这是一个2行3列的矩阵  
  
# 创建一个3x3的单位矩阵（对角线上为1，其余为0）  
identity_matrix = np.eye(3)  
print(identity_matrix)  
print(identity_matrix.shape)  # 输出: (3, 3)  
  
# 也可以通过reshape函数将一个一维数组重塑为矩阵  
vector_reshaped_to_matrix = np.array([1, 2, 3, 4, 5, 6]).reshape(2, 3)  
print(vector_reshaped_to_matrix)  
print(vector_reshaped_to_matrix.shape)  # 输出: (2, 3)