深度学习与图像识别学习笔记day2(numpy数组的方法）

创建numpy数组

import numpy as np
nparray = np.array([i for i in range(10)])
print(nparray)

创建数值都为0的数组

import numpy as np
a = np.zeros(10)
print(a)

得到的结果0都有一个小数点，调用a.dtype创建的向量类型为dtype（‘float64‘）

创建整数型

a = np.zeros(10, dtype=int)

创建的是三行四列的矩阵且数据类型为float64

a = np.zeros(shape=(3,4))

创建的矩阵数值都为一

a = np.ones((3, 4))

创建n行m列，数值都为a的矩阵

np.full((n,m),a)

使用np.arange来创建数组（前闭后开）

np.arrange(0,20,2）

第一个值是0，最后一个值是20，但因为是开着的，所以取得是18，步长为2

使用np.linspace(前闭后闭)对数组进行等分

np.linspace(0,10,5)
返回的结果是array([0., 2.5., 5., 7.5, 10.])

在numpy矩阵中如何生成随机数矩阵

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：
import numpy as np
np.random.randint(0,10,10)  size=10

生成一个三行五列的整数矩阵：
np.random.randint(4,9,size=(3,5))

seed的作用:如果不希望每次生成的随机数都不固定， 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。

生成介于0~1之间的浮点数的向量或者矩阵

 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

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)

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。