7.1.2 NumPy回顾
译者：Python 文档协作翻译小组，原文：NumPy refresher。
本文以 CC BY-NC-SA 4.0 协议发布，转载请保留作者署名和文章出处。
Python 文档协作翻译小组人手紧缺，有兴趣的朋友可以加入我们，完全公益性质。交流群：467338606。
这里有一些NumPy的快速指南：
机器学习的矩阵惯例
行是水平的，列是垂直的。每一行都是一个样本。因此，inputs[10,5]是10个样本的矩阵，其中每个样本具有维度5。如果这是神经网络的输入，则从输入到第一个隐藏层的权重将表示大小(5, #hid)的矩阵。
考虑这个数组：
>>> numpy.asarray([[1., 2], [3, 4], [5, 6]])
array([[ 1., 2.],
[ 3., 4.],
[ 5., 6.]])
>>> numpy.asarray([[1., 2], [3, 4], [5, 6]]).shape
(3, 2)
这是3×2矩阵，即有3行和2列。
要访问第3行（#2行）和第1列（#0列）中的元素：
>>> numpy.asarray([[1., 2], [3, 4], [5, 6]])[2, 0]
5.0
要记住这一点，我们从左到右、从上到下读取，所以连续的元素是一行。也就是说，有3行和2列。
Broadcasting
Numpy在算术运算期间对不同形状的数组进行broadcasting。这通常意味着较小的数组（或标量）被broadcasted到较大的数组，以让它们具有兼容的形状。下面的示例演示broadcastaing的一个实例：
>>> a = numpy.asarray([1.0, 2.0, 3.0])
>>> b = 2.0
>>> a * b
array([ 2., 4., 6.])
在这种情况下，这里较小的数组b（实际上是标量，其工作原理类似于一个0维数组）在乘法过程中被broadcasted到与a相同的大小。这个技巧通常用于简化表达式的写法。有关broadcasting的更多详情，请参见numpy用户指南。
