Deep Learning 用 Python 進行深度學習的基礎理論實作 — 第一章 Python 入門

安裝 Python

• python 2.x 與 3.x 不相容，本書建議 3.x
• 使用兩套 library — NumPy、Matplotlib
• NumPy – 計算數值用的 library ，提供許多高難度數學演算法、陣列(矩陣)的方便方法
• Matplotlib – 繪圖用，將實驗結果視覺化
• 本書建議安裝 Python 的 Anaconda 套裝版本 (https://www.continuum.io/downloads)
• Anaconda 套裝版本已包含 NumPy 與 Matplotlib  兩套 library

安裝 Anaconda

• 無腦下一步即可完成安裝

python 相關語法

• 算數 : – + * / , 3**2 = 9
• type(10) => int , type(3.14) => float, type(“hello”) => string
• x = 10
  print(x)
• 清單 : a = [1,2,3,4,5]
  len(a) => 5
  a[0] => 1
  a[4] = 99 => print(a) => [1,2,3,4,99]
  a[0:2] => [1,2]
  a[1:] => [2,3,4,99]
  a[:3] => [1,2,3]
  a[:-1] => [1,2,3,4]
• 字典 : me = {‘height’:180}
  me[‘height’] => 180
  me[‘weight’] = 70 => print(me) => {‘height’:180, ‘weight’:70}
• Boolean: hungry = True
  not hungry => False
• if else
  if xxx:
  do something
  else:
  do other thing
• for
  for i in [1,2,3]
  print(i)
  => 1 2 3
• funtion
  def hello():
  print(“hello world!”)
  hello()
  => hello world!def hello(object):
  print(“hello ” + object +”!”)
  hello(“cat”)
  => hello cat!

Python Script 檔案

• 建立 hungry.py 檔案，內容 print(“I’m hungry!”)
• >> python hungry.py
  I’m hungry!
• 類別 (class)
  class 類別名稱:
  def __init__(self, 參數, …):    #建構子
  …
  def 方法名稱1(self, 參數, …):    #方法1
  …
  def 方法名稱2(self, 參數, …):    #方法2
  …
• 類別範例

class Man:
def __init__(self, name):
self.name = name
print("Initilized!")
def hello(self):
print("Hello " + self.name + "!")
def goodbye(self):
print("Good-bye " + self.name + "!")
m = Man("David")
m.hello()
m.goodbye()


NumPy

NumPy 的陣列類別 (numpy.array)，提供許多方便計算陣列或矩陣的方法。

把 numpy 當作 np 載入，之後使用 np 參照

>>> import numpy as np

產生 NumPy 陣列

>>> import numpy as np
>>> x = np.array([1.0, 2.0, 3.0])
>>> print(x)
[ 1. 2. 3.]
>>> type(x)
<class 'numpy.ndarray'>


NumPy 的算術運算

• x 與 y 的元素數量相同，都是數量為 3 的一維陣列
• x, y 的元素數量不同時會發生錯誤
• element-wise (對應元素)
• element-wise product (對應元素相乘)


>>> x = np.array([1.0, 2.0, 3.0])
>>> y = np.array([2.0, 4.0, 6.0])
>>> x + y
array([ 3., 6., 9.])
>>> x - y
array([-1., -2., -3.])
>>> x * y
array([ 2., 8., 18.])
>>> x / y
array([ 0.5, 0.5, 0.5])


NumPy 的 N 維陣列

• 數學中一維陣列叫做向量
• 二維陣列叫做矩陣
• 向量或矩陣，正規化後，叫做張量(tensor)
• 書中將二維陣列叫做矩陣，三維以上的陣列叫做張量或多維陣列

建立二維陣列(矩陣)

>>> A = np.array([[1, 2], [3, 4]])
>>> print(A)
[[1 2]
[3 4]]
>>> A.shape
(2, 2)
>>> A.dtype
dtype('int32')


矩陣算數運算
>>> A = np.array([[1, 2], [3, 4]])
>>> B = np.array([[3, 0], [0, 6]])
>>> A + B
array([[ 4, 2],
[ 3, 10]])
>>> A * B
array([[ 3, 0],
[ 0, 24]])


廣播 (broadcast)

NumPy 也可進行不同形狀的陣列運算，2×2 的陣列乘以純數 10，會將 10 擴大成 2×2 的陣列再計算，這就叫廣播 (broadcast)
兩個範例

>>> A = np.array([[1, 2], [3, 4]])
>>> print(A)
[[1 2]
[3 4]]
>>> A * 10
array([[10, 20],
[30, 40]])
>>>
>>>
>>>
>>> A = np.array([[1, 2], [3, 4]])
>>> B = np.array([10, 20])
>>> A * B
array([[10, 40],
[30, 80]])


存取元素
>>> x = np.array([[51, 55], [14, 19], [0, 4]])
>>> print(x)
[[51 55]
[14 19]
[ 0 4]]
>>> x[0]
array([51, 55])
>>> x[0][1]
55
>>>
>>>
>>> for row in x:
... print(row)
...
[51 55]
[14 19]
[0 4]


利用陣列來存取元素

>>> x = x.flatten() #把x轉換成一維陣列
>>> print(x)
[51 55 14 19 0 4]
>>> x[np.array([0, 2, 4])] #索引值取得第0,2,4個元素
array([51, 14, 0])


上述方式可以單獨取出滿足條件的元素，例如 x 只取出 15 以上的值
>>> x > 15
array([ True, True, False, True, False, False], dtype=bool)
>>> x[x>15]
array([51, 55, 19])

Python這類動態語言的處理速度比不上靜態語言 C or C++，所以較大的處理，一般 Python 呼叫用 C or C++ 寫的程式來處理較大的工作，NumPy 的主要處理也是利用 C or C++ 來執行的。

Matplotlib

繪製單純的圖表

利用 matplotlib 的 pyplot 模組繪製 sin 函數

import numpy as np
import matplotlib.pyplot as plt
# 建立資料
x = np.arange(0, 6, 0.1) #從 0 到 6 以 0.1 為單位產生資料
y = np.sin(x)
#繪製圖表
plt.plot(x, y)
plt.show()


• 利用 NumPy 的 arange 方法，產生 [0, 0.1, 0.2, …, 5.8, 5.9] 等資料，當成 x
• 以 x 的元素為對象，套用 NumPy 的 sin 函數 np.sin()
• 提供 x, y 給 plt.plot，最後 plt.show()

pyplot 的功能

import numpy as np
import matplotlib.pyplot as plt
# 建立資料
x = np.arange(0, 6, 0.1) #從 0 到 6 以 0.1 為單位產生資料
y1 = np.sin(x)
y2 = np.cos(x)
#繪製圖表
plt.plot(x, y1, label="sin")
plt.plot(x, y2, linestyle = "--", label="cons") #用虛線繪圖
plt.xlabel("x") #x軸標籤
plt.ylabel("y") #y軸標籤
plt.title('sin & cos') #標題
plt.legend()
plt.show()


顯示影像

import matplotlib.pyplot as plt
from matplotlib.image import imread
img = imread('lena.png') #載入影像
plt.imshow(img)
plt.show()