MXNet数据操作基础学习（NDArray）

NDArray 程序包 (mxnet.ndarray) 包含类似于 numpy.ndarray 的张量计算包。两者的语法很相近,但NDArray能够提供更多的功能,如CPU和GPU的异步计算和自动求导功能。(本文代码来自《动手学深度学习》（李沐）)

一、创建

from mxnet import nd #导入mxnet为nd

x = nd.arange(12);x # 利用arange函数创建一个0-11的行向量

OUT1:

[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.]

print(x.shape) #查看x的形状

print(x.size) #查看x中元素的总数

OUT1:

(12,)

OUT2:

X = x.reshape(3,4);X #利用reshape函数将x向量转化成三行四列的矩阵（二维张量）X

x.reshape(-1,3) #利用reshape的函数将x转化为三列，其中行数不确定的张量（元素总数已知，行数可以推断出，用-1表示即可）

OUT1:

[[ 0. 1. 2. 3.]

[ 4. 5. 6. 7.]

[ 8. 9. 10. 11.]]

OUT2:

[[ 0. 1. 2.]

[ 3. 4. 5.]

[ 6. 7. 8.]

[ 9. 10. 11.]]

nd.zeros((2,3,4)) #创建一个各元素都为零，形状为（2，3，4）的张量

nd.ones((3,4)) #创建一个各元素为1形状为（3，4）的张量

OUT1:

[[[0. 0. 0. 0.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]

[[0. 0. 0. 0.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]]

OUT2:

[[1. 1. 1. 1.]

[1. 1. 1. 1.]

[1. 1. 1. 1.]]

Y = nd.array([[2,1,4,3,],[1,2,3,4],[4,3,2,1]]);Y #通过列表指定需要创建的NDArray中每个元素的值

OUT1:

[[2. 1. 4. 3.]

[1. 2. 3. 4.]

[4. 3. 2. 1.]]

nd.random.normal(0,1,shape = (3,4)) #创建一个形状为（3，4）的NDArray，它的值服从均值为0，标准差为1的随机正态分布

OUT1:

[[ 1.1630785 0.4838046 0.29956347 0.15302546]

[-1.1688148 1.558071 -0.5459446 -2.3556297 ]

[ 0.54144025 2.6785064 1.2546344 -0.54877406]]

二、运算

print(X) #X矩阵

print(Y) #Y矩阵

X+Y #NDArray支持大量的运算符， X+Y两个矩阵按照元素相加

OUT1:

[[ 0. 1. 2. 3.]

[ 4. 5. 6. 7.]

[ 8. 9. 10. 11.]]

OUT2:

[[2. 1. 4. 3.]

[1. 2. 3. 4.]

[4. 3. 2. 1.]]

OUT3:

[[ 2. 2. 6. 6.]

[ 5. 7. 9. 11.]

[12. 12. 12. 12.]]

X/Y #按照元素位置做除法

OUT1:

[[ 0. 1. 0.5 1. ]

[ 4. 2.5 2. 1.75]

[ 2. 3. 5. 11. ]]

Y.exp() #对Y矩阵按照元素做指数运算

OUT1:

[[ 7.389056 2.7182817 54.59815 20.085537 ]

[ 2.7182817 7.389056 20.085537 54.59815 ]

[54.59815 20.085537 7.389056 2.7182817]]

print(nd.dot(X,Y.T)) #可以用dot做矩阵乘法运算，Y.T表示矩阵转置

OUT1:

[[ 18. 20. 10.]

[ 58. 60. 50.]

[ 98. 100. 90.]]

nd.concat (X,Y,dim = 0) #矩阵按行连结

nd.concat (X,Y,dim = 1) #矩阵按列连结

OUT1:

[[ 0. 1. 2. 3.]

[ 4. 5. 6. 7.]

[ 8. 9. 10. 11.]

[ 2. 1. 4. 3.]

[ 1. 2. 3. 4.]

[ 4. 3. 2. 1.]]

OUT2:

[[ 0. 1. 2. 3. 2. 1. 4. 3.]

[ 4. 5. 6. 7. 1. 2. 3. 4.]

[ 8. 9. 10. 11. 4. 3. 2. 1.]]

X==Y #条件判别式，如果X,Y位置上的元素相同，那么新NDArray的相同位置则为1，否则为0

OUT1:

[[0. 1. 0. 1.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]

X.sum() #元素求和

OUT1:

[66.]

三、广播机制

当对两个形状不同的NDArray进行运算时，可能会触发广播机制：适当复制元素使得两个NDArray形状相同后再按照元素进行运算。

简单来说，广播机制可以这样理解：如果你有一个m*n的矩阵，让它加减乘除一个1*n 的矩阵，它会被复制m次，成为一个m*n的矩阵，然后再逐元素地进行加减乘除操作。同样地对m*1的矩阵成立.

A =nd.arange(3).reshape((3,1)) #构建一个3*1的矩阵，共3个元素

B =nd.arange(2).reshape((1,2))#构建一个1*2的矩阵，共2个元素

print(A)

print(B)

print(A+B) #广播机制，将A中第一列的三个元素复制到第二列，B中第一行的2个元素被复制到第二行和第三行，从而形成两个三行两列的矩阵相加

OUT1:

[[0.]

[1.]

[2.]]

OUT2:

[[0. 1.]]

OUT3:

[[0. 1.]

[1. 2.]

[2. 3.]]

print(X)

X[1:3] #索引，遵循python索引的左闭右开和从0开始原则，索引第2到3行

OUT1:

[[ 0. 1. 2. 3.]

[ 4. 5. 6. 7.]

[ 8. 9. 10. 11.]]

OUT2:

[[ 4. 5. 6. 7.]

[ 8. 9. 10. 11.]]

X[1,2] = 9;X #访问第一行第二列的元素，为其重新赋值为9

OUT1:

[[ 0. 1. 2. 3.]

[ 4. 5. 9. 7.]

[ 8. 9. 10. 11.]]

X[1:2,:] = 12;X #索引第二行所有元素，将其赋值为12

OUT1:

[[ 0. 1. 2. 3.]

[12. 12. 12. 12.]

[ 8. 9. 10. 11.]]

四、转换

import numpy as np#导入numpy P = np.ones((2,3));P#numpy构建

OUT1:

array([[1., 1., 1.],

[1., 1., 1.]])

D = nd.array(P);D#转换为NDArray

OUT1:

[[1. 1. 1.]

[1. 1. 1.]]

D.asnumpy()#NDArray转化为numpy

OUT1:

array([[1., 1., 1.],

[1., 1., 1.]], dtype=float32)