講義課件教案

第02Python無論是在機器學習還是深度學習中，Python已經(jīng)成為主導性的編程語言。而且，現(xiàn)在許多主流的深度學習框架，例如PyTorch、TensorFlow也都是基于Python。這門課主要是圍繞“理論+實戰(zhàn)”同時進行的，所以本文，我將重點介紹深度學習中Python的必備知識點。Python是一種面向?qū)ο蟮慕忉屝陀嬎銠C程序設(shè)計語言，由荷蘭人GuidovanRossum于1989年發(fā)明，第一個公開版于1991年。Python具有豐富和強大的庫。它常被昵稱為膠水語言，能夠把用其他語言制作的各種模塊（尤其 為什么人工智能、深度學習會選擇Python呢？一方面是因為Python作為一門解釋型語言，入門簡單、容易上手。另一方面是因為Python的開發(fā)效率高，Python有很多庫很方便做人工智能，比如Numpy、Scipy做數(shù)值計算的，Sklearn做機器學習的，Matplotlib將數(shù)據(jù)可視化的，等等。總的來說，Python既容易上手，又是功能強大的編程語言。按照《Python學習手冊》作者的說法，Python可以從支持航空航天器系統(tǒng)的開發(fā)到小游戲開發(fā)的幾乎所有的其實，人工智能的算法的底層還是由C/C++編寫的，因為是計算密集型，需要非常精的優(yōu)化，還需要GPU、硬件之類的接口，這些都只有C/C++能做到。Python實際上是實現(xiàn)API調(diào)用的功能，例如所有的深度學習框架PyTorch、TensorFlow等，底層都是由C/C++編寫的。由于Python是頂層高級語言，它的缺點就是運行速度慢，但是這絲毫不影響Python的普及。如今，在GPU加速的前提下，Python的運行速度已經(jīng)很快了。在眾多因素影響下，Python成為了人工智能的最主要的編程語言。下面這來自TIOBE編程社區(qū)Top10編程語言TIOBE指數(shù)走勢（2002-如今，Python已經(jīng)僅次于Java、C、C++之后，第四，且呈逐年上升的趨勢。而在人工智能領(lǐng)域，Python是當之無愧的第一。Python目前有兩個版本：2和3。人工智能領(lǐng)域主要使用Python3，建議安裝Python3版python--FunctionPython中的函數(shù)以關(guān)鍵字def來定義，例如：defifx>return'positive'elifx<0:returnreturnforxin[-1,0,1]:#Prints"negative","zero",上面呢，就是定義一個sign函數(shù)，根據(jù)輸入x與0的大小關(guān)系，返回positive、或zerodefgreet(name,ifO,%s!'%o,%s'%greet('Will')#Printsgreet('Tony',o,#PrintsO,Pythonclass#definit(self,=#Createaninstance#Instancedefgreet(self,ifO,%s!'%o,%s'%g=Greeter('Will')#ConstructaninstanceoftheGreeter#Callaninstancemethod;prints#Callaninstancemethod;printso,O,initselfselfnamePython中類的繼承也非常簡單，最基本的繼承方式就是定義類的時候把父類往括號里一放就class"""ClassKnowinheritencedfromGreeter"""defmeet(self):print('Nicetomeetk=Know('Will')#ConstructaninstanceoftheGreater#Callaninstancemethod;printso,#Callaninstancemethod;prints"Nicetomeet深度學習神經(jīng)網(wǎng)絡模型包含了大量的矩陣相乘運算，如果使用for循環(huán)，運算速度會大大降低。Python中可以使用dot函數(shù)進行向量化矩陣運算，來提高網(wǎng)絡運算效率。我們用一個例子來比較說明for循環(huán)和矩陣運算各自的時間差異性。importnumpyasimporta=b=tic=foriinc+=a[i]*b[i]toc=time.time()print("forloop:"+str(1000*(toc-tic))+c=tic=c=np.dot(a,b)toc=time.time()print("Vectorized:"+str(1000*(toc-tic))+>>>>for>>>>顯然，兩個矩陣相乘，使用or循環(huán)需要大約00ms，而使用向量化矩陣運算僅僅需要大約1ms，效率得到了極大的提升。值得一提的是，神經(jīng)網(wǎng)絡模型有的矩陣維度非常大，這時候，使用矩陣直接相乘會更大程度地提高速度。所以，在構(gòu)建神經(jīng)網(wǎng)絡模型時，我們應該盡量使用矩陣相乘運算，減少for循環(huán)的使用。順便提一下，為了加快深度學習神經(jīng)網(wǎng)絡運算速度，可以使用比CPU運算能力更強大的GPU。事實上，GPU和CPU都有并行指令（ParallelizationInstructions），稱為SingleInstructionMultipleData（SIMD）。SIMD是單指令多數(shù)據(jù)流，能夠多個操作數(shù)，并把它們打包在大型寄存器的一組指令集。SIMD向量化矩陣運算更快的原因。相比而言，GPU的SIMD要比CPU更強大。Python中的廣播（Broadcasting）機制非常強大，在神經(jīng)網(wǎng)絡模型矩陣運算中非常有用。廣讓所有輸入數(shù)組都向其中shape最長的數(shù)組看齊，shape中不足的部分都通過面加1輸出數(shù)組的shape是輸入數(shù)組shape如果輸入數(shù)組的某個軸和輸出數(shù)組的對應軸的長度相同或者其長度為1時，這個數(shù)組能夠當輸入數(shù)組的某個軸的長度為1如果覺得上面幾條機制比較晦澀難懂，沒關(guān)系。簡而言之，就是Python白了。是不是覺得廣播機制很方便？這也正是Python強大的地方，能夠幫我們省很多事。值得一提的是，在Python程序中為了保證矩陣運算正確，可以使用reshape函數(shù)設(shè)定矩陣a=上面這條語句生成的向量維度既不是（6，1），也不是（1，6），而是（6，）。它既不是列向量也不是行向量，而是rank1aray。rank1array的特點是它的轉(zhuǎn)置還是它本身。這種定義實際應用中可能會帶來一些問題，如果我們想要定義行向量或者列向量的話，最好這樣寫：a=a=另外，我們還可以使用assert語句對向量或者數(shù)組維度進行判斷。如果與給定的維度不同，則程序在此處停止運行。assertassert(a==MatplotlibPythonmatplotlib.pyplotplotMatplotlib2Dimportnumpyasimportmatplotlib.pyplotas#Computethexandycoordinatesx=np.arange(0,4*np.pi,0.1)y=np.sin(x)#Plotthepointsusingplt.plot(x,#Youmustcallplt.show()tomakegraphics我們也可以在一片中同時畫多個曲線importnumpyasimportmatplotlib.pyplotas#Computethexandycoordinatesx=np.arange(0,4*np.pi,0.1)y_sin=np.sin(x)y_cos=#Plotthepointsusingmatplotlibplt.plot(x,y_sin)plt.plot(x,y_cos)plt.xlabel('xaxislabel')plt.ylabel('yaxislabel')plt.title('SineandCosine')plt.legend(['Sine','Cosine'])最后介紹一下如何顯示importnumpyasfromscipy.miscimportimread,imresizeimportmatplotlib.pyplotaspltimg=imread('./dog.jpg')img_tinted=img*[0.9,0.9,0.8]#Showtheoriginalimageplt.subplot(2,1,1)#Showthe