“深度学习与实践” 笔记 第一课

Python 基础Attention

列表与元组的定义与用法

• 列表类型使用中括号 [] ；
• 列表：经常修改
• 列表表示顺序
• 列表不能作为字典key
• 用法：定义数据集D
• 数据列表包含所有的训练样本元组：[(1.73, 3.86, 2.50), (2.56, 9.75, 3.21), …]
• 标签列表包含所有标签 ：[1, 2, …]
• ====================================
• 元组使用 圆括号 （）；
• 元组：不可改变
• 元组表示结构
• 作为字典key
• 用法：定义单个训练样本，例如(1.73, 3.86, 2.50)、(2.56, 9.75, 3.21) 等。

列表与元组的访问

• Attention：列表和元组的访问都使用中括号
• 索引访问：从0开始
• 分片访问：
  

  myList[0:3:1] [起点元素索引: 终点元素索引: 跨度]

• 左闭右开：起点元素包含在结果中，终点元素不包含在结果中
  
• 负数索引：从后往前计数，最后一个元素索引为-1
  

列表元素修改

• 元组元素不可修改，使用圆括号初始化的是元组。
• 列表修改时由于始终是左闭右开，就是说中括号右边的索引号并不会包括在修改范围内
• 列表在赋值修改时，使用逗号隔开，会替换掉中括号区间内的值，因此会发生元素数量的增减。

字典

• 元组作为字典key
• 字典保存带标签数据集， 使用大括号
  
• 大括号内元素使用“：”建立元组与标签的对应关系
• 字典使用元组（在字典中为键）的值进行索引、取值，添加删除
• 键不能直接修改，值可以
  
• 遍历字典：
  

字典类型的函数

• D.keys()//输出所有的键

• D.values()//输出所有的值

• D.get（（元组键）） //输出的是键的值

• D.popitem()// 将后面的元组推出数据集

• D.pop((元组键))// 输出对应的值，并出栈

  
  

集合（Set）：无序！不重复！的元素序列。

• 创建： 大括号！ 或者 函数Set() 以及 列表
• 创建空集：只能用Set(), 大括号会创建空字典
• 作用：统计数据集类别数量
• 如图，使用set(列表) 可将列表中重复的合并，生成新集合
  

集合运算

集合操作

• 添加元素

  s.add( x )

• 移除元素

  s.remove( x )

• 计算集合元素个数

  len(s)

• 清空集合

  s.clear()

• 判断元素是否在集合中存在

  x in s

• 通过将数据集标签列表转为集合，可获取类别数量等信息

Python 函数返回值

• Python 函数定义使用

  def 函数名（参数，参数....）

  与c++类似，但要注意缩进！
• Python 函数仅支持返回一个值，但是可以通过返回元组的方式变相实现多个返回值
  

  def sumReturn(start, end):

  
  …
  

  return result, start, end

  
  

  a, b, c = sumReturn(1, 10)

  
  

  _, _, d = sumReturn(1, 10)

  
  

  e = sumReturn(1, 10)

#运 行结 果 如 下： ’
55
1
10
10
(55, 1, 10)

Python 库

导入模块的三种方式

import numpy

-

a = numpy.array(…)

import numpy as np

-

a = np.array(…)

from numpy import array

-

a = array(…)

处理表格数据

• 1、导入模块

  import pandas as pd

• 2、加载 csv 文件

  df = pd.read_csv(”googlestock.csv”)

df 的数据类型：pandas.core.frame.DataFrame`

• 3、将 df 修改为按时间戳索引，以便后续处理：

• df[’Date’] = pd.to_datetime(df[’Date’])

• df.set_index(”Date”, inplace=True)

• 4、预处理

• 5、数据转换： 将 DataFrame 数据转换为适合进行进一步数学运算的矩阵数据
• 对矩阵数据进行规范化等预处理
• 进行线性回归分析

数据转换

• 将列表数据转换成np.数组矩阵， 并划分为数据和标签。

• X = np.array (df.drop['label'],1)

  
  

Scikit-learn

• 用于数据预处理
  

  from sklearn import preprocessing

  // 零均值化 单位方差化
  

  x= preprocessing.scale(X)

  
  

  x.mean(axis=0)

  
  

  x.std(axis=0)

  
  
• 数据特征降维PCA
  

  from sklearn.decomposition import PCA

  
  

  pca = PCA(n_components=2)

  
  

  pca.explained_variance_ratio_

  
  
• sklearn.model_selection.train_test_split 模块：快速划分训练集与测试集
  

  from sklearn.model_selection import train_test_split

  
  

  X_train, X_test,y_train,y_test = train_test_split(X,y,test_size=0.33,random_state=42)

  
  
• sklearn.linear_model.LinearRegression 模块： 线性回归
• 

• regr = linear_model.LinearRegression() # 建 立 线性 回 归 对象

  
  

  regr.fit(diabetes_X_train, .diabetes_y_train)#训练

• 预处理
• 

NumPy: python 科学计算的基础包

• NumPy 数组的创建：向 array 中传入一个 list：

• 一维数组: np.array([1,2,3])
  二维数组: np.array([[1,2,3],[4,5,6]])
  随机数组: x = np.random.rand(10)

• 显示数组属性

  a.shape , a. dtype

• 改变数组元素类型

  a = a.astype('float64')

• 改变数组尺寸

  c = b.reshape(3, 4)

  顺序调整。

• 将 reshape 的某个参数指定为-1 时，numpy 会根据实际数组元素个数自动替换-1 为具体的大小

  c = b.reshape(-1, 4)

  c = b.reshape(3, -1)

  的结果将替换成与上条代码一致。

• 数组元素索引
  

• 数组元素修改
  

• 多维数组索引切片
  

a[2: :2, ::2]

冒号的第三个代表步长，空白代表直到行尾

• 
• ufunc操作
  
• 比较操作
  
  
• 矩阵乘法 对两个矩阵的形状有要求

np.dot(数组1，数组2)

• 文件存取
  
  

  np.save ("a.npy",a)

  
  

  c=np.load("a.npy")

  
  

  np.savetxt("a.txt",a)

  
  

  np.loadtxt(a.txt)

Matplotlib 数据可视化包

• matplotlib.image ： 图像操作模块
• matplotlib.pyplpot：显示图像
  
• 数据可视化demo
  
  
  

Scipy 库

• 通常作为matlab 与python 之间的桥梁。
• 加载mat文件
  
  
• 优化和拟合
  

Homework 1:

题目：

设计python程序，首先安装并导入opencv库：
例如：conda install opencv
import cv2

然后使用cv2.imread()读取任意彩色图片为numpy矩阵，然后进行以下操作：
(1) 将图片的三个通道顺序进行改变，由RGB变为BRG，并用imshow()或者matplotlib中的有关函数显示图片
(2) 利用Numpy给改变通道顺序的图片中指定位置打上红框，其中红框左上角和右下角坐标定义方式为：假设学号为12069028，则左上角坐标为(12, 06), 右下角坐标为(12+90, 06+28). (不可使用opencv中自带的画框工具）
(3) 利用cv2.imwrite()函数保存加上红框的图片。

进阶题目：
假设有函数y = cos(ax + b), 其中a为学号前两位，b为学号最后两位。首先从此函数中以相同步长（点与点之间在x轴上距离相同），在0<(ax+b)<2pi范围内，采样出2000个点，然后利用采样的2000个点作为特征点进行三次函数拟合。请提交拟合的三次函数以 1b024 及对应的图样（包括采样点及函数曲线）。

注意：基本作业为所有人必做。进阶作业选作，不计入总分。