查看原文
其他

「最全」实至名归,NumPy 官方早有中文教程,结合深度学习,还有防脱发指南

转自 | 机器之心报道   参与 | 一鸣、Jamin
NumPy 无疑是很多机器学习研究者和开发者的「白月光」。如此优秀的项目,没有中文版怎么行?近日,机器之心发现 NumPy 官方早在去年就已出了一个中文版网站,涵盖 NumPy 的一切。


在 Github 上一度蝉联最流行的机器学习和数据科学包 NumPy,已经有了非常之系统的中文文档,回想起当初细啃 NumPy 之时,不少人不得不徘徊于各大搜索引擎及平台反复查找,找到的文档也许还很不系统。现在,如果有什么和 NumPy 的问题,只需要浏览这份官方中文文档就足够了。它足够的系统、全面且亲民。亲民到什么程度呢?网站还独一份的配备了「防脱发指南」。

NumPy 是什么?它是大名鼎鼎的,使用 Python 进行科学计算的基础软件包,是 Python 生态系统中数据分析、机器学习、科学计算的主力军,极大简化了向量与矩阵的操作处理。除了计算外,它还包括了:

  • 功能强大的 N 维数组对象。

  • 精密广播功能函数。

  • 集成 C/C+和 Fortran 代码的工具。

  • 强大的线性代数、傅立叶变换和随机数功能


此次中文文档还强调了它两大特性:Ndarray 以及切片和索引,这两部分所涉及的功能在日常操作中是十分常见的。

  • Ndarray:一系列同类型数据的集合,以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。

  • 切片和索引:ndarray 对象的内容可以通过索引或切片来访问和修改,与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引,切片对象可以通过内置的 slice 函数,并设置 start, stop 及 step 参数进行,从原数组中切割出一个新数组。


官网地址:https://www.NumPy.org.cn

这个官方中文项目内容繁多,文章数量庞大。机器之心在这里节选了一些亮点内容,供读者参考。

教程、文档应有尽有,中文版强调和深度学习联系


从原理开始,中文版增加理论介绍板块

这个开源的官方中文版教程可以说是非常全面了。它从最基本的理解 NumPy 开始,教程层层推进,直到让用户掌握进阶的使用方法。

从内容来看,中文版不仅仅是官方英文版本的翻译,还额外增加了「文章」这一栏目。该栏目提供了对 NumPy 背后的矩阵运算原理的详细解释,使得使用者「知其然,也知其所以然」。这是英文版教程中没有的。

以下为这一部分的目录,从这里可以看到,这部分内容主要介绍 NumPy 的基本理论,以及涉及到其应用的理论部分,如数据分析、神经网络实现,以及在其他代码库中的接口等。

基础篇
  • 理解 NumPy

  • NumPy 简单入门教程

  • Python NumPy 教程

  • 创建 NumPy 数组的不同方式

  • NumPy 中的矩阵和向量


进阶篇
  • NumPy 数据分析练习

  • NumPy 神经网络

  • 使用 NumPy 进行数组编程

  • NumPy 实现k均值聚类算法

  • NumPy 实现DNC、RNN和LSTM神经网络算法


其他篇
  • OpenCV中的图像的基本操作

  • MinPy:MXNet后端的NumPy接口


我们截取了这些文章的部分内容,可以看到,这里不仅仅会讲 NumPy 所实现的功能,还提供了原理的图解。

对于多维数组的直观讲解(部分),可以看出官方提供了很好的理论解释和图示。

注意和深度学习的联系

另一方面,NumPy 中文版教程注意到了深度学习近来的发展趋势,因此推出了结合 NumPy 和百度飞桨框架的深度学习教程。可以说,NumPy 不仅仅只是科学计算工具了,而是深度学习社区的重要组成部分。

如下为这一部分的内容,可以看到,神经网络相关的所有内容,包括原理和相关实现都涵盖到了。在这部分还有一个 7 日的深度学习入门课程,供小白用户参考。

深度学习基础教程
  • 前言

  • 线性回归

  • 数字识别

  • 图像分类

  • 词向量

  • 个性化推荐

  • 情感分析

  • 语义角色标注

  • 机器翻译

  • 生成对抗网络


七日入门深度学习(正在更新)
  • Day 1:初识深度学习

  • Day 1:如何快速入门深度学习?

  • Day 2:图像识别基础与实战

  • Day 3:目标检测基础与实践(一)

  • Day 3:目标检测实战-RCNN算法讲解

  • Day 3:目标检测实战-YOLOv3检测物体


以如下代码为例,这是一个线性回归神经网络构建的代码部分。可以看到,代码使用 NumPy 进行加载和预处理,并使用飞桨构建数据分批等的相关函数。

feature_names = [
    'CRIM''ZN''INDUS''CHAS''NOX''RM''AGE''DIS''RAD''TAX',
    'PTRATIO''B''LSTAT''convert'
]
feature_num = len(feature_names)
data = np.fromfile(filename, sep=' '# 从文件中读取原始数据
data = data.reshape(data.shape[0] // feature_num, feature_num)
maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]

for i in six.moves.range(feature_num-1):
   data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # six.moves可以兼容python2和python3

ratio = 0.8 # 训练集和验证集的划分比例
offset = int(data.shape[0]*ratio)
train_data = data[:offset]
test_data = data[offset:]

def reader_creator(train_data):  
    def reader():  
        for d in train_data:  
            yield d[:-1], d[-1:]  
    return reader

train_reader = paddle.batch(
    paddle.reader.shuffle(
        reader_creator(train_data), buf_size=500),
        batch_size=BATCH_SIZE)

test_reader = paddle.batch(
    paddle.reader.shuffle(
        reader_creator(test_data), buf_size=500),
        batch_size=BATCH_SIZE)

用户文档和参考手册:覆盖 NumPy 的一切

当然,最核心的部分当然是 NumPy 本身的文档了。中文版中对用户的使用文档和 NumPy 所有 API 都进行了翻译和整理工作,基本上用户需要的内容都可以在这里找到。

用户文档目录如下,这里还贴心地提供了和「竞品」Matlab 的比较,以及 NumPy 在 C 语言下的 API 使用方法。

  • NumPy 介绍

  • 快速入门教程

  • NumPy 基础知识

  • 其他杂项

  • 与 Matlab 比较

  • 从源代码构建

  • 使用 NumPy 的 C-API


从这里可以看到,官方中文版真的是诚意满满。不仅提供原始文档的翻译,还加上了包括深度学习教程、其他来源的功能+原理解读材料。对于刚上手 NumPy 的人来说,这就是最佳的学习教程。不管是自学也好,还是用于开发也好,都是极好的。

其他资源及文档

如果读到这里你还不过瘾?没关系,官网还有相关配套的文章及视频,让你多样化地保持新鲜感:


另外,独有一份的防脱发指南让你入坑之时再无后顾之忧:


面向开发者还单独有一份开发者指南,这是一份详细的操作清单,如何合理的配置及使用开发环境等一系列问题都已被包含在内。

  • NumPy 行为准则

  • Git 教程

  • 设置和使用您的开发环境

  • 开发流程

  • NumPy 基准测试

  • NumPy C 风格指南

  • 发布一个版本

  • NumPy 治理


NumPy 的用户数量庞大,开发者社区也非常繁荣。从包括 PyTorch、NumPy 等开源工具陆续推出中文版文档来看,中文世界在机器学习领域受到了更大的关注。

—完—
为您推荐

人工智能领域最具影响力的十大女科学家

MIT最新深度学习入门课,安排起来!

有了这个神器,轻松用 Python 写个 App

图深度学习入门难?这篇教程帮你理清楚了脉络

我为什么鼓励你读计算机领域的博士?

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存