在[神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之Ndarray對(duì)象和CNN入門](https://mp.weixin.qq.com/s?__biz=MzI1NjEyMzgxMw==&mid=2247484918&idx=1&sn=1f50dcf1421e487e44f57ef188c3ae23&chksm=ea2a333cdd5dba2af85bce11c4f4ea3ca04f4d4084d0dd6ae76585595ccdec02380bbdfc1f8e&token=363512284&lang=zh_CN#rd) 中瘫俊，主要介紹了Ndarray維度的概念和CNN的大體流程圖蛛芥，本文基于此介紹Ndarray中比較重要的一個(gè)函數(shù)**stack函數(shù)**的使用以及**numpy中的廣播**, 簡(jiǎn)單介紹下CNN。
@[toc]
###  Stack函數(shù)
官方API介紹军援，我是沒(méi)看懂仅淑，不排除有大神看一眼就懂，如果沒(méi)看懂也沒(méi)關(guān)系胸哥，可以繼續(xù)往下讀涯竟，相信一定能理解stack究竟是怎么工作的。
```python
numpy.stack(arrays, axis=0, out=None)[source]

Join a sequence of arrays along a new axis.

The axis parameter specifies the index of the new axis in the
dimensions of the result. For example, if axis=0 it will be the first
dimension and if axis=-1 it will be the last dimension.

筆者查閱了大量的資料空厌，不過(guò)總感覺(jué)少了點(diǎn)什么庐船，就是感覺(jué)始終不能理解誒stack是怎么堆疊的。于是就只好去看源碼了嘲更，如果從一開(kāi)始就看源碼筐钟，或許可以節(jié)省很多時(shí)間。

源碼

源碼:

@array_function_dispatch(_stack_dispatcher)
def stack(arrays, axis=0, out=None):
    if not overrides.ARRAY_FUNCTION_ENABLED:
        # raise warning if necessary
        _arrays_for_stack_dispatcher(arrays, stacklevel=2)

    arrays = [asanyarray(arr) for arr in arrays]
    if not arrays:
        raise ValueError('need at least one array to stack')

    shapes = {arr.shape for arr in arrays}
    if len(shapes) != 1:
        raise ValueError('all input arrays must have the same shape')

    result_ndim = arrays[0].ndim + 1
    axis = normalize_axis_index(axis, result_ndim)

    sl = (slice(None),) * axis + (_nx.newaxis,)
    expanded_arrays = [arr[sl] for arr in arrays]
    return _nx.concatenate(expanded_arrays, axis=axis, out=out)

@的作用

@在python中是函數(shù)裝飾器赋朦，和Java中的注解是不一樣的篓冲。
猜猜下面下面的代碼會(huì)出現(xiàn)什么樣子的結(jié)果(注意這里funB是多參數(shù)的)

def funA(fn):
    print("funA is invoked first")
    # 定義一個(gè)嵌套函數(shù)，和JavaScript有點(diǎn)類似
    def innerFun(*args, **kwargs):
        fn(*args, **kwargs)
    return innerFun

@funA
def funB(name, value):
    print("迎關(guān)注我的微信公眾號(hào)" + name + ",", "phpMyAdmin端口配置和mysql主從復(fù)制這篇文章" + value)

funB("無(wú)情劍客", "很棒");

使用函數(shù)裝飾器 A() 去裝飾另一個(gè)函數(shù) B()宠哄，其底層執(zhí)行了如下 2 步操作：

1. 將 B 作為參數(shù)傳給 A() 函數(shù)壹将；
2. 將 A() 函數(shù)執(zhí)行完成的返回值反饋回B。

以上代碼等價(jià)于下面的代碼:

funB = funA(funB)
funB("無(wú)情劍客", "很棒")

最終的運(yùn)行結(jié)果:

funA is invoked first
迎關(guān)注我的微信公眾號(hào)無(wú)情劍客, phpMyAdmin端口配置和mysql主從復(fù)制這篇文章很棒

知道了@的作用具體的過(guò)程可以自己動(dòng)手debug毛嫉，過(guò)程比較復(fù)雜诽俯，后續(xù)抽空補(bǔ)上。

關(guān)鍵代碼解讀

asanyarray

arrays = [asanyarray(arr) for arr in arrays]

舉個(gè)例子：

import numpy as np

a = np.arange(24)
print(a.ndim)

b = a.reshape(2, 3, 4)
print(b)

c = np.stack(b, axis=2)
print(c.shape)
print(c)

當(dāng)調(diào)用stack方法步過(guò)這段代碼的時(shí)候承粤，arrays的結(jié)果是一個(gè)list暴区，里面的元素如下圖所示：

看下面這段代碼，就基本知道上面的list是怎么來(lái)的的辛臊，

arr = [1,2,5]
list_arr = [arr1 for arr1 in arr]
print(list_arr)

arrs = [asanyarray(arr1) for arr1 in arr]
print(arrs)

運(yùn)行結(jié)果是:

[1, 2, 5]
[array(1), array(2), array(5)]

關(guān)于asanyarray: Convert the input to an ndarray, but pass ndarray subclasses through.

維度+1

這是和concatenate函數(shù)很重要的一個(gè)區(qū)別仙粱，也體現(xiàn)了API中的new axis.

result_ndim = arrays[0].ndim + 1
axis = normalize_axis_index(axis, result_ndim)

expanded_arrays

如何實(shí)現(xiàn)維度+1的那，下面這段代碼是關(guān)鍵:

sl = (slice(None),) * axis + (_nx.newaxis,)
expanded_arrays = [arr[sl] for arr in arrays]

可知s1的值是個(gè)tuple浪讳。
這個(gè)sl是怎么計(jì)算出來(lái)的缰盏，舉個(gè)例子:

sl = (slice(None),) *2 + (None,)
sl

運(yùn)行結(jié)果如下:
(slice(None, None, None), slice(None, None, None), None)

e = slice(None)
e

運(yùn)行結(jié)果是: slice(None, None, None)

那么arr[sl]是怎么計(jì)算出來(lái)的那?

numpy.newaxis
The newaxis object can be used in all slicing operations to create an axis of length one. newaxis is an alias for ‘None’, and ‘None’ can be used in place of this with the same result

(1)slice基本語(yǔ)法

(3) 高維數(shù)組處理

可以將3維數(shù)組想象成行和列的組合济炎，只不過(guò)這里的列是一個(gè)二維數(shù)組。

對(duì)于二維數(shù)組可以通過(guò)下圖來(lái)看辐真，解釋一下第一個(gè)须尚，其他的同理崖堤。

arr[:2,1:]代表取到第一行(<2)，從第一列到最后一列耐床，顯然shape就是(2,2)

Note: In Python, x[(exp1, exp2, ..., expN)] is equivalent to x[exp1, exp2, ..., expN]; the latter is just syntactic sugar for the former.

(4) 省略號(hào)

通過(guò)前面的分析可知arr[sl]是這樣算出來(lái)的的:
arr[(slice(None, None, None), slice(None, None, None), None)]
等價(jià)與:arr[: , :, np.newaxis]
以前的arr的shape是(3,4)，經(jīng)過(guò)這樣的操作之后恶复，就變成了(3,4,1),也就是3個(gè)2維數(shù)組怜森，每個(gè)2維度數(shù)組中有4個(gè)1維數(shù)組，每個(gè)1維數(shù)組中有1個(gè)元素寂玲。

因此expanded_arraays最終的結(jié)果就是:

concatenate

從最內(nèi)側(cè)的軸進(jìn)行拼接塔插。

軸的概念

我在圖中標(biāo)注出了哪些是外邊的軸,哪些是第二個(gè)軸,哪些是最里邊的軸,有一個(gè)比較簡(jiǎn)單的方法來(lái)判斷這些軸,就是觀察一下方括號(hào),方括號(hào)數(shù)量越多的軸,越是在外層的軸,在這個(gè)例子中,最外側(cè)的軸有兩層方括號(hào),從外邊數(shù)第二個(gè)軸有一層方括號(hào),這里還好一點(diǎn),最難理解的是最里邊的軸,最后來(lái)看一下最內(nèi)側(cè)的軸。

numpy中的廣播

廣播(Broadcast)是 numpy 對(duì)不同形狀(shape)的數(shù)組進(jìn)行數(shù)值計(jì)算的方式拓哟。

下面的圖片展示了數(shù)組 b 如何通過(guò)廣播來(lái)與數(shù)組 a 兼容。

卷積神經(jīng)網(wǎng)絡(luò)入門

卷積神經(jīng)網(wǎng)絡(luò)主要用在圖像領(lǐng)域伶授。當(dāng)然也可以用在文本分類断序，不過(guò)NLP領(lǐng)域，在NLP領(lǐng)域需要一些處理技巧糜烹。后續(xù)文章會(huì)詳細(xì)介紹违诗。

簡(jiǎn)單看看CNN網(wǎng)絡(luò)能夠做什么：

輸入 -> CNN 網(wǎng)絡(luò) ->輸出

如果做圖像識(shí)別，輸入就是要識(shí)別的圖像疮蹦，輸出就是可能的圖像的概率诸迟，概率越大，自然可能性越大愕乎。

對(duì)于分類人任務(wù)，需要標(biāo)簽掀亥。監(jiān)督學(xué)習(xí)的類別

后續(xù)會(huì)詳細(xì)介紹CNN撞反，這里先有一個(gè)初步的印象。

參考

• Indexing
• numpy數(shù)組的索引和切片
• NumPy 廣播(Broadcast)
• numpy數(shù)組的各種拼接方法:stack和vstack,hstack,concatenate
• numpy.stack 與 numpy.concatenate 用法

公眾號(hào)

更多機(jī)器學(xué)習(xí)內(nèi)容搪花，歡迎關(guān)注我的微信公眾號(hào): 無(wú)情劍客痢畜。