NDArray 矩阵
1. 转置矩阵
- Python
NumPy 提供了多种排序的方法。 这些排序函数实现不同的排序算法，每个排序算法的特征在于执行速度，最坏情况性能，所需的工作空间和算法的稳定性。 下表显示了三种排序算法的比较。
import numpy as np
a = np.arange(12).reshape(3,4)
print ('原数组：')
print (a)
print ('\n')
print ('转置数组：')
print (a.T)
# 输出结果如下：
原数组：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
转置数组：
[[ 0 4 8]
[ 1 5 9]
[ 2 6 10]
[ 3 7 11]]
NDArray a = manager.arange(12).reshape(3, 4);
System.out.println("原数组：");
System.out.println(a.toDebugString(100, 10, 100, 100));
System.out.println("转置数组：");
NDArray b = a.transpose();
System.out.println(b.toDebugString(100, 10, 100, 100));
# 输出结果如下：
原数组：
ND: (3, 4) cpu() int32
[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
]
转置数组：
ND: (4, 3) cpu() int32
[[ 0, 4, 8],
[ 1, 5, 9],
[ 2, 6, 10],
[ 3, 7, 11],
]
2. 创建一个以 0 填充的矩阵 - zeros()
- Python
numpy.matlib.zeros() 函数创建一个以 0 填充的矩阵。
import numpy.matlib
import numpy as np
print (np.matlib.zeros((2,2)))
# 输出结果如下：
[[0. 0.]
[0. 0.]]
a = manager.zeros(new Shape(2, 2));
System.out.println(a.toDebugString(100, 10, 100, 100));
# 输出结果如下：
ND: (2, 2) cpu() float32
[[0., 0.],
[0., 0.],
]
3. 创建一个以 1 填充的矩阵 - ones()
- Python
numpy.matlib.ones()函数创建一个以 1 填充的矩阵。
import numpy.matlib
import numpy as np
print (np.matlib.ones((2,2)))
# 输出结果如下：
[[1. 1.]
[1. 1.]]
a = manager.ones(new Shape(2, 2));
System.out.println(a.toDebugString(100, 10, 100, 100));
# 输出结果如下：
ND: (2, 2) cpu() float32
[[1., 1.],
[1., 1.],
]
4. 返回一个矩阵，对角线元素为 1，其他位置为零 - eye()
- Python
numpy.matlib.eye() 函数返回一个矩阵，对角线元素为 1，其他位置为零。
numpy.matlib.eye(n, M,k, dtype)
参数说明：
n: 返回矩阵的行数
M: 返回矩阵的列数，默认为 n
k: 对角线的索引
dtype: 数据类型
import numpy.matlib
import numpy as np
print (np.matlib.eye(n = 3, M = 4, k = 0, dtype = float))
# 输出结果如下：
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]]
a = manager.eye(3,4,0, DataType.INT32);
System.out.println(a.toDebugString(100, 10, 100, 100));
# 输出结果如下：
ND: (3, 4) cpu() int32
[[ 1, 0, 0, 0],
[ 0, 1, 0, 0],
[ 0, 0, 1, 0],
]
5. 创建一个给定大小的矩阵，数据是随机填充 - rand()
- Python
numpy.matlib.rand() 函数创建一个给定大小的矩阵，数据是随机填充的。
它从给定形状的[0,1)上的均匀分布返回一个随机值矩阵
import numpy.matlib
import numpy as np
print (np.matlib.rand(3,3))
# 输出结果如下：
[[0.23966718 0.16147628 0.14162 ]
[0.28379085 0.59934741 0.62985825]
[0.99527238 0.11137883 0.41105367]]
a = manager.randomUniform(0,1,new Shape(3,3));
System.out.println(a.toDebugString(100, 10, 100, 100));
# 输出结果如下：
ND: (3, 3) cpu() float32
[[0.356 , 0.9904, 0.1063],
[0.8469, 0.5733, 0.1028],
[0.7271, 0.0218, 0.8271],
]
6. 内积 - dot()
- Python
numpy.dot() 对于两个一维的数组，计算的是这两个数组对应下标元素的乘积和(数学上称之为内积)；对于二维数组，计算的是两个数组的矩阵乘积；对于多维数组，它的通用计算公式如下，即结果数组中的每个元素都是：数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和： dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
import numpy.matlib
import numpy as np
a = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
print(np.dot(a,b))
# 计算式为：
# [[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
# 输出结果如下：
[[37 40]
[85 92]]
NDArray a = manager.create(new int[][]{{1, 2}, {3, 4}});
NDArray b = manager.create(new int[][]{{11, 12}, {13, 14}});
NDArray c = a.dot(b);
// 计算式为：
// [[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
System.out.println(c.toDebugString(100, 10, 100, 100));
# 输出结果如下：
ND: (2, 2) cpu() int32
[[37, 40],
[85, 92],
]
7. 矩阵乘积 - matMul()
- Python
numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积，但如果任一参数的维数大于2，则将其视为存在于最后两个索引的矩阵的栈，并进行相应广播。
另一方面，如果任一参数是一维数组，则通过在其维度上附加 1 来将其提升为矩阵，并在乘法之后被去除。
对于二维数组，它就是矩阵乘法：
import numpy.matlib
import numpy as np
a = [[1,0],[0,1]]
b = [[4,1],[2,2]]
print (np.matmul(a,b))
# 输出结果如下：
[[4 1]
[2 2]]
a = manager.create(new int[][]{{1, 0}, {0, 1}});
b = manager.create(new int[][]{{4, 1}, {2, 2}});
c = a.matMul(b);
System.out.println(c.toDebugString(100, 10, 100, 100));
# 输出结果如下：
ND: (2, 2) cpu() int32
[[ 4, 1],
[ 2, 2],
]
代码下载地址：
Github链接
Gitee链接
|