同一个服务器做两个网站,制作网站搭建网站项目怎么样,网店详情页模板,四川工程信息网官网点击 机器学习算法与Python学习 #xff0c;选择加星标精彩内容不迷路本文转自机器之心在 Github 上一度蝉联最流行的机器学习和数据科学包 NumPy#xff0c;已经有了非常之系统的中文文档#xff0c;回想起当初细啃 NumPy 之时#xff0c;不少人不得不徘徊于各大搜索引擎及… 点击 机器学习算法与Python学习 选择加星标精彩内容不迷路本文转自机器之心在 Github 上一度蝉联最流行的机器学习和数据科学包 NumPy已经有了非常之系统的中文文档回想起当初细啃 NumPy 之时不少人不得不徘徊于各大搜索引擎及平台反复查找找到的文档也许还很不系统。现在如果有什么和 NumPy 的问题只需要浏览这份官方中文文档就足够了。它足够的系统、全面且亲民。亲民到什么程度呢网站还独一份的配备了「防脱发指南」。NumPy 是什么它是大名鼎鼎的使用 Python 进行科学计算的基础软件包是 Python 生态系统中数据分析、机器学习、科学计算的主力军极大简化了向量与矩阵的操作处理。除了计算外它还包括了功能强大的 N 维数组对象。精密广播功能函数。集成 C/C和 Fortran 代码的工具。强大的线性代数、傅立叶变换和随机数功能此次中文文档还强调了它两大特性Ndarray 以及切片和索引这两部分所涉及的功能在日常操作中是十分常见的。Ndarray一系列同类型数据的集合以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。切片和索引ndarray 对象的内容可以通过索引或切片来访问和修改与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引切片对象可以通过内置的 slice 函数并设置 start, stop 及 step 参数进行从原数组中切割出一个新数组。官网地址https://www.NumPy.org.cn这个官方中文项目内容繁多文章数量庞大。机器之心在这里节选了一些亮点内容供读者参考。教程、文档应有尽有中文版强调和深度学习联系从原理开始中文版增加理论介绍板块这个开源的官方中文版教程可以说是非常全面了。它从最基本的理解 NumPy 开始教程层层推进直到让用户掌握进阶的使用方法。从内容来看中文版不仅仅是官方英文版本的翻译还额外增加了「文章」这一栏目。该栏目提供了对 NumPy 背后的矩阵运算原理的详细解释使得使用者「知其然也知其所以然」。这是英文版教程中没有的。以下为这一部分的目录从这里可以看到这部分内容主要介绍 NumPy 的基本理论以及涉及到其应用的理论部分如数据分析、神经网络实现以及在其他代码库中的接口等。基础篇理解 NumPyNumPy 简单入门教程Python NumPy 教程创建 NumPy 数组的不同方式NumPy 中的矩阵和向量进阶篇NumPy 数据分析练习NumPy 神经网络使用 NumPy 进行数组编程NumPy 实现k均值聚类算法NumPy 实现DNC、RNN和LSTM神经网络算法其他篇OpenCV中的图像的基本操作MinPyMXNet后端的NumPy接口我们截取了这些文章的部分内容可以看到这里不仅仅会讲 NumPy 所实现的功能还提供了原理的图解。对于多维数组的直观讲解(部分)可以看出官方提供了很好的理论解释和图示。注意和深度学习的联系另一方面NumPy 中文版教程注意到了深度学习近来的发展趋势因此推出了结合 NumPy 和百度飞桨框架的深度学习教程。可以说NumPy 不仅仅只是科学计算工具了而是深度学习社区的重要组成部分。如下为这一部分的内容可以看到神经网络相关的所有内容包括原理和相关实现都涵盖到了。在这部分还有一个 7 日的深度学习入门课程供小白用户参考。深度学习基础教程前言线性回归数字识别图像分类词向量个性化推荐情感分析语义角色标注机器翻译生成对抗网络七日入门深度学习(正在更新)Day 1初识深度学习Day 1如何快速入门深度学习Day 2图像识别基础与实战Day 3目标检测基础与实践(一)Day 3目标检测实战-RCNN算法讲解Day 3目标检测实战-YOLOv3检测物体以如下代码为例这是一个线性回归神经网络构建的代码部分。可以看到代码使用 NumPy 进行加载和预处理并使用飞桨构建数据分批等的相关函数。feature_names [ CRIM, ZN, INDUS, CHAS, NOX, RM, AGE, DIS, RAD, TAX, PTRATIO, B, LSTAT, convert]feature_num len(feature_names)data np.fromfile(filename, sep ) # 从文件中读取原始数据data data.reshape(data.shape[0] // feature_num, feature_num)maximums, minimums, avgs data.max(axis0), data.min(axis0), data.sum(axis0)/data.shape[0]for i in six.moves.range(feature_num-1): data[:, i] (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # six.moves可以兼容python2和python3ratio 0.8 # 训练集和验证集的划分比例offset int(data.shape[0]*ratio)train_data data[:offset]test_data data[offset:]def reader_creator(train_data): def reader(): for d in train_data: yield d[:-1], d[-1:] return readertrain_reader paddle.batch( paddle.reader.shuffle( reader_creator(train_data), buf_size500), batch_sizeBATCH_SIZE)test_reader paddle.batch( paddle.reader.shuffle( reader_creator(test_data), buf_size500), batch_sizeBATCH_SIZE)用户文档和参考手册覆盖 NumPy 的一切当然最核心的部分当然是 NumPy 本身的文档了。中文版中对用户的使用文档和 NumPy 所有 API 都进行了翻译和整理工作基本上用户需要的内容都可以在这里找到。用户文档目录如下这里还贴心地提供了和「竞品」Matlab 的比较以及 NumPy 在 C 语言下的 API 使用方法。NumPy 介绍快速入门教程NumPy 基础知识其他杂项与 Matlab 比较从源代码构建使用 NumPy 的 C-API从这里可以看到官方中文版真的是诚意满满。不仅提供原始文档的翻译还加上了包括深度学习教程、其他来源的功能原理解读材料。对于刚上手 NumPy 的人来说这就是最佳的学习教程。不管是自学也好还是用于开发也好都是极好的。其他资源及文档如果读到这里你还不过瘾没关系官网还有相关配套的文章及视频让你多样化地保持新鲜感另外独有一份的防脱发指南让你入坑之时再无后顾之忧面向开发者还单独有一份开发者指南这是一份详细的操作清单如何合理的配置及使用开发环境等一系列问题都已被包含在内。NumPy 行为准则Git 教程设置和使用您的开发环境开发流程NumPy 基准测试NumPy C 风格指南发布一个版本NumPy 治理NumPy 的用户数量庞大开发者社区也非常繁荣。从包括 PyTorch、NumPy 等开源工具陆续推出中文版文档来看中文世界在机器学习领域受到了更大的关注。福利时间奖品《深入浅出Python机器学习》x 4参与方式文末留言(字数不少于5)赞数最多的4位为本次中奖者开奖时间2020年11月25号20点备注如有问题请添加小助手微信MLAPython备注(姓名-单位-研究方向)你点的每个“在看”我都认真当成了AI
