NumPy入门教程

NumPy 是 Python 科学计算的基础库。很多机器学习和深度学习框架底层都离不开数组和矩阵计算。学 NumPy 的重点是理解数组、维度、广播和矩阵运算。

创建数组

import numpy as np
 
a = np.array([1, 2, 3])
b = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)  # (3,)
print(b.shape)  # (2, 3)

shape 表示数组维度。AI 编程里很多报错都来自 shape 不匹配。

常用数组生成方法

zeros = np.zeros((2, 3))
ones = np.ones((2, 3))
random_values = np.random.rand(2, 3)
range_values = np.arange(0, 10, 2)

这些方法常用于初始化数据、生成测试样本或模拟输入。

数组批量运算

x = np.array([1, 2, 3])
y = np.array([10, 20, 30])
print(x + y)
print(x * y)
print(x.mean())

NumPy 的批量运算比手写 for 循环更简洁，也通常更快。

矩阵乘法

x = np.array([[1, 2], [3, 4]])
w = np.array([[0.5], [1.0]])
y = x @ w
print(y)

@ 表示矩阵乘法。神经网络中的线性层，本质上也大量使用类似运算。

广播机制

x = np.array([[1, 2, 3], [4, 5, 6]])
print(x + 10)

广播很方便，但也可能隐藏维度错误，写代码时要经常检查 shape。

简单归一化

scores = np.array([60, 70, 80, 90])
normalized = (scores - scores.mean()) / scores.std()
print(normalized)

归一化能让数据分布更稳定，是很多机器学习任务的预处理步骤。

练习任务

创建一个 5×3 的随机数组，表示 5 个学生 3 门课成绩。计算每个学生平均分、每门课平均分，并找出总分最高的学生。

小结

NumPy 是理解 AI 数值计算的入口。掌握数组、维度、矩阵乘法和广播后，你再看机器学习代码会轻松很多。