當(dāng)前位置：首頁(yè) > 人工智能 > pytorch >内容正文

pytorch

2019b官方手册中文版_数据科学|「最全」实至名归，NumPy 官方早有中文教程，结合深度学习，还有防脱发指南...

發(fā)布時(shí)間：2024/10/14 pytorch 178 豆豆

生活随笔收集整理的這篇文章主要介紹了 2019b官方手册中文版_数据科学|「最全」实至名归，NumPy 官方早有中文教程，结合深度学习，还有防脱发指南... 小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

文章須知
文章作者：機(jī)器之心
責(zé)任編輯：書(shū)生
審核編輯：阿春
微信編輯：玖蓁
本文轉(zhuǎn)載自公眾號(hào) 機(jī)器之心
（ID：almosthuman2014）
原文鏈接：「最全」實(shí)至名歸，NumPy 官方早有中文教程，結(jié)合深度學(xué)習(xí)，還有防脫發(fā)指南

作者：機(jī)器之心

編者按

如果說(shuō)Pandas是傳統(tǒng)機(jī)器學(xué)習(xí)的必備模塊，那么Numpy就是深度學(xué)習(xí)的基本功。目前市面上有太多基于Pandas的教程，但是關(guān)于Numpy的教程，在尋找資料的過(guò)程中筆者發(fā)現(xiàn)NumPy 官方早在去年就已出了一個(gè)中文版網(wǎng)站，涵蓋 NumPy 的一切。

在 Github 上一度蟬聯(lián)最流行的機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)包 NumPy，已經(jīng)有了非常之系統(tǒng)的中文文檔，回想起當(dāng)初細(xì)啃 NumPy 之時(shí)，不少人不得不徘徊于各大搜索引擎及平臺(tái)反復(fù)查找，找到的文檔也許還很不系統(tǒng)。現(xiàn)在，如果有什么和 NumPy 的問(wèn)題，只需要瀏覽這份官方中文文檔就足夠了。它足夠的系統(tǒng)、全面且親民。親民到什么程度呢？網(wǎng)站還獨(dú)一份的配備了「防脫發(fā)指南」。

NumPy 是什么？它是大名鼎鼎的，使用 Python 進(jìn)行科學(xué)計(jì)算的基礎(chǔ)軟件包，是 Python 生態(tài)系統(tǒng)中數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、科學(xué)計(jì)算的主力軍，極大簡(jiǎn)化了向量與矩陣的操作處理。除了計(jì)算外，它還包括了：

功能強(qiáng)大的 N 維數(shù)組對(duì)象。
精密廣播功能函數(shù)。
集成 C/C+和 Fortran 代碼的工具。
強(qiáng)大的線性代數(shù)、傅立葉變換和隨機(jī)數(shù)功能

此次中文文檔還強(qiáng)調(diào)了它兩大特性：Ndarray 以及切片和索引，這兩部分所涉及的功能在日常操作中是十分常見(jiàn)的。

Ndarray：一系列同類(lèi)型數(shù)據(jù)的集合，以 0 下標(biāo)為開(kāi)始進(jìn)行集合中元素的索引。ndarray 對(duì)象是用于存放同類(lèi)型元素的多維數(shù)組。ndarray 中的每個(gè)元素在內(nèi)存中都有相同存儲(chǔ)大小的區(qū)域。
切片和索引：ndarray 對(duì)象的內(nèi)容可以通過(guò)索引或切片來(lái)訪問(wèn)和修改，與 Python 中 list 的切片操作一樣。ndarray 數(shù)組可以基于 0 - n 的下標(biāo)進(jìn)行索引，切片對(duì)象可以通過(guò)內(nèi)置的 slice 函數(shù)，并設(shè)置 start, stop 及 step 參數(shù)進(jìn)行，從原數(shù)組中切割出一個(gè)新數(shù)組。

官網(wǎng)地址：https://www.NumPy.org.cn

這個(gè)官方中文項(xiàng)目?jī)?nèi)容繁多，文章數(shù)量龐大。機(jī)器之心在這里節(jié)選了一些亮點(diǎn)內(nèi)容，供讀者參考。

教程、文檔應(yīng)有盡有，中文版強(qiáng)調(diào)和深度學(xué)習(xí)聯(lián)系

從原理開(kāi)始，中文版增加理論介紹板塊

這個(gè)開(kāi)源的官方中文版教程可以說(shuō)是非常全面了。它從最基本的理解 NumPy 開(kāi)始，教程層層推進(jìn)，直到讓用戶掌握進(jìn)階的使用方法。

從內(nèi)容來(lái)看，中文版不僅僅是官方英文版本的翻譯，還額外增加了「文章」這一欄目。該欄目提供了對(duì) NumPy 背后的矩陣運(yùn)算原理的詳細(xì)解釋，使得使用者「知其然，也知其所以然」。這是英文版教程中沒(méi)有的。

以下為這一部分的目錄，從這里可以看到，這部分內(nèi)容主要介紹 NumPy 的基本理論，以及涉及到其應(yīng)用的理論部分，如數(shù)據(jù)分析、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，以及在其他代碼庫(kù)中的接口等。

基礎(chǔ)篇

理解 NumPy
NumPy 簡(jiǎn)單入門(mén)教程
Python NumPy 教程
創(chuàng)建 NumPy 數(shù)組的不同方式
NumPy 中的矩陣和向量

進(jìn)階篇

NumPy 數(shù)據(jù)分析練習(xí)
NumPy 神經(jīng)網(wǎng)絡(luò)
使用 NumPy 進(jìn)行數(shù)組編程
NumPy 實(shí)現(xiàn)k均值聚類(lèi)算法
NumPy 實(shí)現(xiàn)DNC、RNN和LSTM神經(jīng)網(wǎng)絡(luò)算法

其他篇

OpenCV中的圖像的基本操作
MinPy：MXNet后端的NumPy接口

我們截取了這些文章的部分內(nèi)容，可以看到，這里不僅僅會(huì)講 NumPy 所實(shí)現(xiàn)的功能，還提供了原理的圖解。

對(duì)于多維數(shù)組的直觀講解（部分），可以看出官方提供了很好的理論解釋和圖示。

注意和深度學(xué)習(xí)的聯(lián)系

另一方面，NumPy 中文版教程注意到了深度學(xué)習(xí)近來(lái)的發(fā)展趨勢(shì)，因此推出了結(jié)合 NumPy 和百度飛槳框架的深度學(xué)習(xí)教程。可以說(shuō)，NumPy 不僅僅只是科學(xué)計(jì)算工具了，而是深度學(xué)習(xí)社區(qū)的重要組成部分。

如下為這一部分的內(nèi)容，可以看到，神經(jīng)網(wǎng)絡(luò)相關(guān)的所有內(nèi)容，包括原理和相關(guān)實(shí)現(xiàn)都涵蓋到了。在這部分還有一個(gè) 7 日的深度學(xué)習(xí)入門(mén)課程，供小白用戶參考。

深度學(xué)習(xí)基礎(chǔ)教程

前言
線性回歸
數(shù)字識(shí)別
圖像分類(lèi)
詞向量
個(gè)性化推薦
情感分析
語(yǔ)義角色標(biāo)注
機(jī)器翻譯
生成對(duì)抗網(wǎng)絡(luò)

七日入門(mén)深度學(xué)習(xí)（正在更新）

Day 1：初識(shí)深度學(xué)習(xí)
Day 1：如何快速入門(mén)深度學(xué)習(xí)？
Day 2：圖像識(shí)別基礎(chǔ)與實(shí)戰(zhàn)
Day 3：目標(biāo)檢測(cè)基礎(chǔ)與實(shí)踐（一）
Day 3：目標(biāo)檢測(cè)實(shí)戰(zhàn)-RCNN算法講解
Day 3：目標(biāo)檢測(cè)實(shí)戰(zhàn)-YOLOv3檢測(cè)物體

以如下代碼為例，這是一個(gè)線性回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建的代碼部分。可以看到，代碼使用 NumPy 進(jìn)行加載和預(yù)處理，并使用飛槳構(gòu)建數(shù)據(jù)分批等的相關(guān)函數(shù)。

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=' ') # 從文件中讀取原始數(shù)據(jù) data = data.reshape(data.shape[0] // feature_num, feature_num) maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/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 # 訓(xùn)練集和驗(yàn)證集的劃分比例 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_size=500),batch_size=BATCH_SIZE)test_reader = paddle.batch(paddle.reader.shuffle(reader_creator(test_data), buf_size=500),batch_size=BATCH_SIZE)

用戶文檔和參考手冊(cè)：覆蓋 NumPy 的一切

當(dāng)然，最核心的部分當(dāng)然是 NumPy 本身的文檔了。中文版中對(duì)用戶的使用文檔和 NumPy 所有 API 都進(jìn)行了翻譯和整理工作，基本上用戶需要的內(nèi)容都可以在這里找到。

用戶文檔目錄如下，這里還貼心地提供了和「競(jìng)品」Matlab 的比較，以及 NumPy 在 C 語(yǔ)言下的 API 使用方法。

NumPy 介紹
快速入門(mén)教程
NumPy 基礎(chǔ)知識(shí)
其他雜項(xiàng)
與 Matlab 比較
從源代碼構(gòu)建
使用 NumPy 的 C-API

從這里可以看到，官方中文版真的是誠(chéng)意滿滿。不僅提供原始文檔的翻譯，還加上了包括深度學(xué)習(xí)教程、其他來(lái)源的功能+原理解讀材料。對(duì)于剛上手 NumPy 的人來(lái)說(shuō)，這就是最佳的學(xué)習(xí)教程。不管是自學(xué)也好，還是用于開(kāi)發(fā)也好，都是極好的。