第1章 Numpy基础

在机器学习和深度学习中，图像、声音、文本等输入数据最终都要转换为数组或矩阵。如何有效地进行数组和矩阵的运算？这就需要充分利用Numpy。Numpy是数据科学的通用语言，而且与PyTorch关系非常密切，它是科学计算、深度学习的基石。尤其对PyTorch而言，其重要性更加明显。PyTorch中的Tensor与Numpy非常相似，它们之间可以非常方便地进行转换，掌握Numpy是学好PyTorch的重要基础，故它被列为全书第1章。

为什么是Numpy？实际上Python本身含有列表（list）和数组（array），但对于大数据来说，这些结构是有很多不足的。由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。例如为了保存一个简单的[1,2,3]，都需要有3个指针和3个整数对象。对于数值运算来说，这种结构显然比较浪费内存和CPU等宝贵资源。至于array对象，它可以直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，在上面的函数也不多，因此也不适合做数值运算。

Numpy（Numerical Python的简称）的诞生弥补了这些不足。Numpy提供了两种基本的对象：ndarray（N-dimensional Array Object）和ufunc（Universal Function Object）。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。

Numpy的主要特点：

·ndarray，快速节省空间的多维数组，提供数组化的算术运算和高级的广播功能。

·使用标准数学函数对整个数组的数据进行快速运算，且不需要编写循环。

·读取/写入磁盘上的阵列数据和操作存储器映像文件的工具。

·线性代数、随机数生成和傅里叶变换的能力。

·集成C、C++、Fortran代码的工具。

本章主要内容如下：

·如何生成Numpy数组。

·如何存取元素。

·Numpy的算术运算。

·数组变形。

·批量处理。

·Numpy的通用函数。

·Numpy的广播机制。