歡迎關(guān)注WX公眾號(hào)：【程序員管小亮】

專(zhuān)欄——深度學(xué)習(xí)入門(mén)筆記

聲明

1）該文章整理自網(wǎng)上的大牛和機(jī)器學(xué)習(xí)專(zhuān)家無(wú)私奉獻(xiàn)的資料，具體引用的資料請(qǐng)看參考文獻(xiàn)。
2）本文僅供學(xué)術(shù)交流，非商用。所以每一部分具體的參考資料并沒(méi)有詳細(xì)對(duì)應(yīng)。如果某部分不小心侵犯了大家的利益，還望海涵，并聯(lián)系博主刪除。
3）博主才疏學(xué)淺，文中如有不當(dāng)之處，請(qǐng)各位指出，共同進(jìn)步，謝謝。
4）此屬于第一版本，若有錯(cuò)誤，還需繼續(xù)修正與增刪。還望大家多多指點(diǎn)。大家都共享一點(diǎn)點(diǎn)，一起為祖國(guó)科研的推進(jìn)添磚加瓦。

文章目錄

• 歡迎關(guān)注WX公眾號(hào)：【程序員管小亮】
• • 專(zhuān)欄——深度學(xué)習(xí)入門(mén)筆記
  • 聲明
  • 深度學(xué)習(xí)入門(mén)筆記（五）：神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ)
  • • 1、Jupyter/iPython Notebooks快速入門(mén)
    • 2、Python 中的廣播
    • 3、關(guān)于numpy向量的說(shuō)明
    • 4、編程框架的選擇問(wèn)題
  • 推薦閱讀
  • 參考文章

深度學(xué)習(xí)入門(mén)筆記（五）：神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ)

1、Jupyter/iPython Notebooks快速入門(mén)

學(xué)到現(xiàn)在，你需要知道常用的python的編譯器，推薦使用anaconda而不是官方的python，這樣的話更容易安裝各種第三方庫(kù)，如何安裝可以看一下這個(gè)博客——Windows10 下 Anaconda和 PyCharm 的詳細(xì)的安裝教程（圖文并茂）。

至于IDE的話，pycharm 適合于大型項(xiàng)目的編寫(xiě)和調(diào)試，Jupyter Notebook 適合于學(xué)習(xí)和數(shù)據(jù)挖掘探索，這里我們就快速地學(xué)習(xí)一下 Jupyter Notebook 工具。

這就是 Jupyter Notebook 的界面，讓我快速地講解下它的一些特性。

這里有一些空白區(qū)域的代碼塊，可以編寫(xiě)代碼，而較長(zhǎng)的灰色區(qū)域就是代碼塊。

比如，編寫(xiě)打印輸出著名的程序員入門(mén)語(yǔ)句——Hello World 的代碼，然后執(zhí)行這一代碼塊，最終，它就會(huì)輸出我們想要的 Hello World。

在運(yùn)行一個(gè)單元格 cell 時(shí)，你也可以選擇運(yùn)行其中的一塊代碼區(qū)域。通過(guò)點(diǎn)擊 Cell 菜單的 Run Cells 執(zhí)行這部分代碼。

在你的計(jì)算機(jī)上，運(yùn)行 cell 的鍵盤(pán)快捷方式是 Ctrl + enter。但是也可以使用 shift + enter 來(lái)運(yùn)行 cell，不過(guò)這樣會(huì)默認(rèn)跳轉(zhuǎn)到下一個(gè)代碼區(qū)域。

當(dāng)閱讀指南時(shí)，如果不小心雙擊了它，點(diǎn)中的區(qū)域就會(huì)變成 markdown 語(yǔ)言形式。如果不小心使其變成了這樣的文本框，只要運(yùn)行下單元格 cell，就可以回到原來(lái)的形式。所以，點(diǎn)擊 cell 菜單的 Run Cells 或者使用 Ctrl + enter，就可以使得它變回原樣。markdown 格式可以用來(lái)寫(xiě)筆記，以免自己忘記了代碼中的知識(shí)。

這里還有一些其他的小技巧。比如當(dāng)執(zhí)行上面所使用的代碼時(shí)，它實(shí)際上會(huì)使用一個(gè)內(nèi)核在服務(wù)器上運(yùn)行這段代碼。如果你正在運(yùn)行超負(fù)荷的進(jìn)程，或者電腦運(yùn)行了很長(zhǎng)一段時(shí)間，或者在運(yùn)行中出了錯(cuò)，又或者網(wǎng)絡(luò)連接失敗，這里依然有機(jī)會(huì)讓 Kernel 重新工作。你只要點(diǎn)擊 Kernel，選擇 Restart，它會(huì)重新運(yùn)行 Kernel 使程序繼續(xù)工作。

所以，如果只是運(yùn)行相對(duì)較小的工作并且才剛剛啟動(dòng)你的臺(tái)式電腦或筆記本電腦，這種情況應(yīng)該是不會(huì)發(fā)生的。但是，如果你看見(jiàn)錯(cuò)誤信息，比如 Kernel 已經(jīng)中斷或者其他信息,你可以試著重啟 Kernel，這樣就簡(jiǎn)單地重啟程序了。

當(dāng)使用 Notebook 時(shí)會(huì)有多個(gè)代碼區(qū)域塊。盡管并沒(méi)有在前面的代碼塊中添加自己的代碼，但還是要確保先執(zhí)行這塊代碼。因?yàn)樵谶@個(gè)例子，它導(dǎo)入了 numpy 包并另命名為 np 等，并聲明了一些可能需要的變量。為了能順利地執(zhí)行下面的代碼，就必須確保先執(zhí)行上面的代碼，即使不要求寫(xiě)其他的代碼，這樣其他程序就可以默認(rèn)是在這些庫(kù)的調(diào)用下運(yùn)行了。

最后就是編譯環(huán)境的選擇，正常情況下 Notebook 的編譯環(huán)境是默認(rèn)的，但是你也可以自己新建一個(gè)環(huán)境，這個(gè)具體操作在這個(gè)博客中——Windows10 下 Anaconda和 PyCharm 的詳細(xì)的安裝教程（圖文并茂），比如我這里新建的環(huán)境 Pytorch for Deeplearning，就是專(zhuān)門(mén)為 pytorch 的學(xué)習(xí)而建立的，可以通過(guò) Kernel 下的 Change kernel，選擇 Pytorch for Deeplearning，就ok了。

這個(gè)就是默認(rèn)的 kernel。

這個(gè)是我自己建的 kernel。

你會(huì)發(fā)現(xiàn)這種交互式的 shell 命令，在 Notebooks 是非常有用的，能使你快速地實(shí)現(xiàn)代碼并且查看輸出結(jié)果，便于學(xué)習(xí)，同時(shí)還可以記錄在這個(gè)過(guò)程中的想法。好好學(xué)習(xí)它的使用，你會(huì)發(fā)現(xiàn)更多的驚喜。

2、Python 中的廣播

這是一個(gè)不同食物(每100g)中不同營(yíng)養(yǎng)成分的卡路里含量表格，表格為3行4列，列表示不同的食物種類(lèi)，從左至右依次為蘋(píng)果（Apples），牛肉（Beef），雞蛋（Eggs），土豆（Potatoes）。行表示不同的營(yíng)養(yǎng)成分，從上到下依次為碳水化合物，蛋白質(zhì)，脂肪。

那么，現(xiàn)在假設(shè)我們想要計(jì)算不同食物中不同營(yíng)養(yǎng)成分中的卡路里百分比，應(yīng)該怎么做？

以計(jì)算蘋(píng)果中的碳水化合物卡路里百分比含量為例，首先計(jì)算蘋(píng)果（Apples）（100g）中三種營(yíng)養(yǎng)成分卡路里總和 56+1.2+1.8 = 59，然后用 56 / 59 = 94.9% 算出結(jié)果?？梢悦黠@地看出蘋(píng)果（Apples）中的卡路里大部分來(lái)自于碳水化合物（Carb），而牛肉（Beef）則不同。對(duì)于其他食物，計(jì)算方法類(lèi)似。首先，按列求和，計(jì)算每種食物中（100g）三種營(yíng)養(yǎng)成分總和，然后分別用不用營(yíng)養(yǎng)成分的卡路里數(shù)量除以總和，計(jì)算百分比。

那么，能否在向量化（深度學(xué)習(xí)入門(mén)筆記（四）：向量化）的基礎(chǔ)上用代碼完成這樣的一個(gè)計(jì)算過(guò)程呢？

當(dāng)然是可以的，假設(shè)上圖的表格是一個(gè)4行3列的矩陣 $A$，記為 $A_{3\times 4}$，接下來(lái)使用 Python 的 numpy 庫(kù)完成這樣的計(jì)算。使用兩行代碼就可以完成整個(gè)過(guò)程，第一行代碼對(duì)每一列進(jìn)行求和，第二行代碼分別計(jì)算每種食物每種營(yíng)養(yǎng)成分的百分比。

在 jupyter notebook 中輸入如下代碼，按 Ctrl + Enter 運(yùn)行，輸出如下：

下面再計(jì)算每列的和，可以看到輸出是每種食物(100g)的卡路里總和。

其中 sum 的參數(shù) axis=0 表示求和運(yùn)算按列執(zhí)行，之后會(huì)詳細(xì)解釋。

接下來(lái)計(jì)算百分比，這條指令將 $3\times 4$ 的矩陣 $A$ 除以一個(gè) $1\times 4$ 的矩陣，得到了一個(gè) $3\times 4$ 的結(jié)果矩陣，這個(gè)結(jié)果矩陣就是要求的百分比含量。

到這里問(wèn)題就解決了，現(xiàn)在來(lái)解釋一下 A.sum(axis = 0) 中的參數(shù) axis。axis用來(lái)指明將要進(jìn)行的運(yùn)算是沿著哪個(gè)軸執(zhí)行，在numpy中，0軸是垂直的，也就是列，而1軸是水平的，也就是行。 而第二個(gè) A / cal.reshape(1, 4) 指令則調(diào)用了 numpy 中的廣播機(jī)制。這里使用 $3\times 4$ 的矩陣 $A$ 除以 $1\times 4$ 的矩陣 $cal$。技術(shù)上來(lái)講，其實(shí)并不需要再將矩陣 $cal$ reshape (重塑)成 $1\times 4$，因?yàn)榫仃?$cal$ 本身已經(jīng)是 $1\times 4$ 了。但是當(dāng)我們寫(xiě)代碼的過(guò)程中出現(xiàn)不確定矩陣維度的時(shí)候，通常會(huì)對(duì)矩陣進(jìn)行重塑來(lái)確保得到想要的列向量或行向量。重塑操作 reshape 是一個(gè)常量時(shí)間的操作，時(shí)間復(fù)雜度是 $O(1)$，它的調(diào)用代價(jià)極低，所以使用是沒(méi)問(wèn)題的，也推薦大家使用。

那么一個(gè) $3\times 4$ 的矩陣是怎么和 $1\times 4$ 的矩陣做除法的呢？來(lái)看一些廣播的例子：

在 numpy 中，當(dāng)一個(gè) $4\times 1$ 的列向量與一個(gè)常數(shù)做加法時(shí)，實(shí)際上會(huì)將常數(shù)擴(kuò)展為一個(gè) $4\times 1$ 的列向量，然后兩者做逐元素加法。結(jié)果就是右邊的這個(gè)向量。這種廣播機(jī)制對(duì)于行向量和列向量均可以使用。

再看下一個(gè)例子。

用一個(gè) $2\times 3$ 的矩陣和一個(gè) $1\times 3$ 的矩陣相加，其泛化形式是 $m\times n$ 的矩陣和 $1\times n$ 的矩陣相加。在執(zhí)行加法操作時(shí)，其實(shí)是將 $1\times n$ 的矩陣復(fù)制成為 $m\times n$ 的矩陣，然后兩者做逐元素加法得到結(jié)果。針對(duì)這個(gè)具體例子，相當(dāng)于在矩陣的第一列全部加100，第二列全部加200，第三列全部加300。這就是在前面例子中計(jì)算卡路里百分比的廣播機(jī)制，只不過(guò)那里是除法操作，這里是加法操作（廣播機(jī)制與執(zhí)行的運(yùn)算種類(lèi)無(wú)關(guān)）。

下面是最后一個(gè)例子。

這里相當(dāng)于是一個(gè) $m\times n$ 的矩陣加上一個(gè) $m\times 1$ 的矩陣。在進(jìn)行運(yùn)算時(shí)，會(huì)先將 $m\times 1$ 矩陣水平復(fù)制 $n$ 次，變成一個(gè) $m\times n$ 的矩陣，然后再執(zhí)行逐元素加法。

廣播機(jī)制的一般原則如下：

• 首先是 numpy 廣播機(jī)制

這里的廣播和播音廣播是完全不同的，它的要求是什么呢？什么樣的條件下可以使用廣播？

要求：如果兩個(gè)數(shù)組的后緣維度的軸長(zhǎng)度相符或其中一方的軸長(zhǎng)度為1，則認(rèn)為它們是廣播兼容的。廣播會(huì)在缺失維度和軸長(zhǎng)度為1的維度上進(jìn)行。

如何計(jì)算后緣維度的軸長(zhǎng)度？可以使用代碼 A.shape[-1] 即矩陣維度元組中的最后一個(gè)位置的值，就是矩陣維度的最后一個(gè)維度，比如卡路里計(jì)算的例子中，矩陣 $A_{3,4}$ 后緣維度的軸長(zhǎng)度是4，而矩陣 $ca{l}_{1,4}$ 的后緣維度也是4，故滿足了后緣維度軸長(zhǎng)度相符的條件，可以進(jìn)行廣播。廣播會(huì)在軸長(zhǎng)度為1的維度上進(jìn)行，軸長(zhǎng)度為1的維度對(duì)應(yīng) axis=0，即垂直方向，矩陣 $ca{l}_{1,4}$ 沿 axis=0 (垂直方向)復(fù)制成為 $calTem{p}_{3,4}$ ，之后兩者進(jìn)行逐元素除法運(yùn)算。

簡(jiǎn)單概括總結(jié)就是，先變成一樣大，再逐元素除法。

• 然后解釋圖中的例子
  

矩陣 $A_{m,n}$ 和矩陣 $B_{1,n}$ 進(jìn)行四則運(yùn)算，后緣維度軸長(zhǎng)度相符，符合條件，可以廣播，廣播沿著軸長(zhǎng)度為1的軸進(jìn)行，即 $B_{1,n}$ 廣播成為 ${B_{m,n}}^{\prime }$ ，之后做逐元素四則運(yùn)算。

矩陣 $A_{m,n}$ 和矩陣 $B_{m,1}$ 進(jìn)行四則運(yùn)算，后緣維度軸長(zhǎng)度不相符，但其中一方軸長(zhǎng)度為1，符合條件，可以廣播，廣播沿著軸長(zhǎng)度為1的軸進(jìn)行，即 $B_{m,1}$ 廣播成為 ${B_{m,n}}^{\prime }$ ，之后做逐元素四則運(yùn)算。

矩陣 $A_{m,1}$ 和常數(shù) $R$ 進(jìn)行四則運(yùn)算，后緣維度軸長(zhǎng)度不相符，但其中一方軸長(zhǎng)度為1，符合條件，可以廣播，廣播沿著缺失維度的軸進(jìn)行，缺失維度就是 axis=0，軸長(zhǎng)度為1的軸是 axis=1，即 $R$ 廣播成為 ${B_{m,1}}^{\prime }$ ，之后做逐元素四則運(yùn)算。

最后總結(jié)一下 broadcasting，可以看看下面的圖：

3、關(guān)于numpy向量的說(shuō)明

Python 的特性允許你使用 廣播（broadcasting） 功能，這是 Python 的 numpy 程序語(yǔ)言庫(kù)中最靈活的地方，但這是程序語(yǔ)言的優(yōu)點(diǎn)，也是缺點(diǎn)。

• 優(yōu)點(diǎn)的原因，在于它們創(chuàng)造出語(yǔ)言的表達(dá)性，Python 語(yǔ)言巨大的靈活性使得你僅僅通過(guò)一行代碼就能做很多事情。
• 缺點(diǎn)的原因，由于廣播巨大的靈活性，有時(shí)候?qū)τ趶V播的特點(diǎn)以及廣播的工作原理這些細(xì)節(jié)不熟悉的話，可能會(huì)產(chǎn)生很細(xì)微或者看起來(lái)很奇怪的 bug。

為了演示 Python-numpy 的一個(gè)容易被忽略的效果，特別是怎樣在 Python-numpy 中構(gòu)造向量，來(lái)做一個(gè)快速示范。

首先設(shè)置 $a=np.random.randn(5)$，這樣會(huì)生成存儲(chǔ)在數(shù)組 $a$ 中的5個(gè)高斯隨機(jī)數(shù)變量；然后輸出 $a$，從屏幕上可以得知，此時(shí) $a$ 的 shape（形狀） 是一個(gè) $(5,)$ 的結(jié)構(gòu)同樣地，$a.T$ 的 shape 也是這樣的。這在 Python 中被稱(chēng)作 一個(gè)一維數(shù)組。它既不是一個(gè)行向量也不是一個(gè)列向量，這也導(dǎo)致它有一些不是很直觀的效果。

比如 $a$ 和 $a$ 的轉(zhuǎn)置陣最終結(jié)果看起來(lái)一樣，shape 也是一樣的。但是輸出 $a$ 和 $a$ 的轉(zhuǎn)置陣的內(nèi)積，你可能會(huì)想，$a$ 乘以 $a$ 的轉(zhuǎn)置，返回的可能會(huì)是一個(gè)矩陣。但如果這樣做，你只會(huì)得到一個(gè)數(shù)。

所以在編寫(xiě)神經(jīng)網(wǎng)絡(luò)時(shí)，不要使用 shape 為 (5,)、(n,) 或者其他一維數(shù)組的數(shù)據(jù)結(jié)構(gòu)。相反，設(shè)置 $a$ 為 $(5,1)$，這樣就是一個(gè)5行1列的向量。在先前的操作里 $a$ 和 $a$ 的轉(zhuǎn)置看起來(lái)一樣，而現(xiàn)在這樣的 $a$ 變成一個(gè)新的 $a$ 的轉(zhuǎn)置，并且它是一個(gè)行向量。當(dāng)輸出 $a$ 的轉(zhuǎn)置時(shí)有兩對(duì)方括號(hào)，而之前只有一對(duì)方括號(hào)，所以這就是 1行5列的矩陣和一維數(shù)組的差別。

如果這次再輸出 $a$ 和 $a$ 的轉(zhuǎn)置的乘積，會(huì)返回一個(gè)向量的外積，也就是一個(gè)矩陣。這就符合我們的預(yù)期了，也就是在可控范圍內(nèi)了，因?yàn)槟阒雷约旱拇a輸出是什么了。

除了，輸入確定維度的矩陣或向量之外，還有一件事，就是如果你不能完全確定一個(gè)向量的維度，建議你扔一個(gè) 斷言語(yǔ)句(assertion statement) 進(jìn)去。這樣，就可以確保在這種情況下是否是一個(gè) $(5,1)$ 向量了，或者說(shuō)是一個(gè)列向量。

如果不對(duì)的話，就會(huì)報(bào)一個(gè)叫做 AssertionError 的錯(cuò)誤！！！

4、編程框架的選擇問(wèn)題

這個(gè)我在 大話卷積神經(jīng)網(wǎng)絡(luò)CNN（干貨滿滿） 中講過(guò)，目前主流的是 Google的TensorFlow、Facebook的pytorch 還有 百度的paddlepaddle，如果是研究的話，我建議使用TensorFlow，因?yàn)樗美斫庖幌禄A(chǔ)原理，而不是單純的調(diào)包俠。大話卷積神經(jīng)網(wǎng)絡(luò)CNN（干貨滿滿） 博客中也寫(xiě)了相關(guān)的資源推薦，這里就不詳細(xì)說(shuō)了。

推薦閱讀

• 深度學(xué)習(xí)入門(mén)筆記（一）：深度學(xué)習(xí)引言
• 深度學(xué)習(xí)入門(mén)筆記（二）：神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
• 深度學(xué)習(xí)入門(mén)筆記（三）：求導(dǎo)和計(jì)算圖
• 深度學(xué)習(xí)入門(mén)筆記（四）：向量化
• 深度學(xué)習(xí)入門(mén)筆記（五）：神經(jīng)網(wǎng)絡(luò)的編程基礎(chǔ)
• 深度學(xué)習(xí)入門(mén)筆記（六）：淺層神經(jīng)網(wǎng)絡(luò)
• 深度學(xué)習(xí)入門(mén)筆記（七）：深層神經(jīng)網(wǎng)絡(luò)
• 深度學(xué)習(xí)入門(mén)筆記（八）：深層網(wǎng)絡(luò)的原理
• 深度學(xué)習(xí)入門(mén)筆記（九）：深度學(xué)習(xí)數(shù)據(jù)處理
• 深度學(xué)習(xí)入門(mén)筆記（十）：正則化
• 深度學(xué)習(xí)入門(mén)筆記（十一）：權(quán)重初始化
• 深度學(xué)習(xí)入門(mén)筆記（十二）：深度學(xué)習(xí)數(shù)據(jù)讀取
• 深度學(xué)習(xí)入門(mén)筆記（十三）：批歸一化（Batch Normalization）
• 深度學(xué)習(xí)入門(mén)筆記（十四）：Softmax
• 深度學(xué)習(xí)入門(mén)筆記（十五）：深度學(xué)習(xí)框架（TensorFlow和Pytorch之爭(zhēng)）
• 深度學(xué)習(xí)入門(mén)筆記（十六）：計(jì)算機(jī)視覺(jué)之邊緣檢測(cè)
• 深度學(xué)習(xí)入門(mén)筆記（十七）：深度學(xué)習(xí)的極限在哪？
• 深度學(xué)習(xí)入門(mén)筆記（十八）：卷積神經(jīng)網(wǎng)絡(luò)（一）
• 深度學(xué)習(xí)入門(mén)筆記（十九）：卷積神經(jīng)網(wǎng)絡(luò)（二）
• 深度學(xué)習(xí)入門(mén)筆記（二十）：經(jīng)典神經(jīng)網(wǎng)絡(luò)（LeNet-5、AlexNet和VGGNet）

參考文章

• 吳恩達(dá)——《神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)》視頻課程

總結(jié)

以上是生活随笔為你收集整理的深度学习入门笔记（五）：神经网络的编程基础的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。