NumPy、TensorFlow和scikit-learn怎么使用(numpy,scikit learn,tensorflow,开发技术)

正如模块 4中所述，NumPy 的核心是其 N 维数组，它还提供线性代数和傅立叶变换等功能。NumPy 数组是机器学习库函数中非常常见的输入值。因此，当你拥有一种特定格式的数据集并且必须将其转换为另一种格式时，你往往可以直接使用 NumPy。或者你可以使用 NumPy 作为库函数调用的结果。

只要维度有意义，NumPy 数组就可以直接从嵌套列表、嵌套元组或它们的组合中创建，维度数量不限。

在这里，我们把numpy命名为np将它导入。

此外，(0, 1)是用作索引的元组。

NumPy 数组具有切片，可让你获取一行或一列：

相同的语法也适用于更多维度（尽管在这里很难称为“行”和“列”）：

NumPy 的索引和切片比这更强大。查看参考资料以获得更完整的概述。

NumPy 数组可以使用hstackand水平或垂直堆叠（如果维度正确）vstack，两者都将数组元组作为参数（正确获得括号的数量！）：

reshape 是 NumPy 中的一个强大的方法。顾名思义，它改变了数组的形状。以下就是一个例子：

reshape的参数是新的形状，一个所需维度的元组。这是一个相当简单的示例，但你也可以使用它来重新调整具有更多维度的数组。元素以特定索引顺序从原始数组中读取，并以相同索引顺序写入新数组。请参阅reshape 文档以了解有关索引顺序的更多信息。

为了在高层次上使用神经网络，我们在 Keras简介中研究了 Keras。从本质上讲，TensorFlow 是一个用于张量计算的库。

张量是向量和多维矩阵的推广：

0-张量是标量

1-张量是一个向量

2-张量是一个矩阵

一个 3-Tensor 是...只是一个 3-Tensor。

等等。

张量可以保存任何类型的数据：整数、浮点数、字符串等等。尽管在使用 Keras 等高级库时通常不会遇到这些，但查看它们仍然很有趣，因为它们是 TensorFlow 的基础构建块。

那么，NumPy 数组和张量之间有什么区别？两个对象或多或少代表相同的数据，但张量是不可变的。

TensorFlow 可以对张量执行各种操作。这是一个示例，它以三个矩阵开始，对前两个矩阵执行矩阵乘法，然后将第三个矩阵相加，然后将结果求反。

操作不会立即执行。结果仅在创建并运行会话时计算。在会话创建之前，上述代码构建了一个操作图，然后对其进行评估。

scikit-learn 是一个广泛的库，提供了许多传统的机器学习方法（非常粗略地说：除了机器学习之外的一切）。您可以在 Jupyter Notebook 单元中使用 pip 安装它：

Python复制代码