【Python机器学习】实验01 Numpy以及可视化回顾

文章目录

  • 一、Numpy的基础知识
    • 实验1 生成由随机数组成的三通道图片，分别显示每个维度图片，并将三个通道的像素四周进行填充，分别从上下左右各填充若干数据。
  • 二、Numpy的线性代数运算
    • 实验2 请准备一张图片，按照上面的过程进行矩阵奇异分解，要求保存前50个特征值进行压缩。

一、Numpy的基础知识

  • 创建列表
import numpy as np
np.array([1,2,3])

array([1, 2, 3])

np.array([[1,2],[2,3]])

array([[1, 2],[2, 3]])
  • 快捷方式创建列表
np.arange(1,10),np.arange(10,1,-1)

(array([1, 2, 3, 4, 5, 6, 7, 8, 9]),array([10,  9,  8,  7,  6,  5,  4,  3,  2]))

range(10,1,-1)

range(10, 1, -1)

np.linspace(1,10,5)

array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ])

np.zeros((2,2))

array([[0., 0.],[0., 0.]])

np.ones((1,1))

array([[1.]])

np.diag([1,2])

array([[1, 0],[0, 2]])
  • 采用随机数生成数组
import numpy.random as rd
rd.uniform(2,3,[3,4])

array([[2.00870568, 2.84081335, 2.56773483, 2.31232497],[2.4091653 , 2.22513678, 2.62473312, 2.20786884],[2.8608431 , 2.04426497, 2.73712184, 2.73669482]])

rd.random((1,3))

array([[0.33035627, 0.1179577 , 0.68061576]])

rd.normal(2,6,(2,4))

array([[ 5.6250594 ,  8.07709039,  1.92724817, -4.75702484],[-1.71722434,  2.69880337, -6.20162398, -0.62033363]])
  • 利用随机数生成图片
import numpy as np
import numpy.random as rd
import matplotlib.pyplot as plt
plt.figure(figsize=(2,2))
img=rd.randint(0,255,(10,10))
plt.imshow(img)

<matplotlib.image.AxesImage at 0x243604a2250>

1

arr1=rd.randn(1,3)
arr1.astype("float32")

array([[ 0.47883075, -0.5455359 , -1.2719026 ]], dtype=float32)
  • 数组常见属性
arr1.shape,arr1.T,arr1.dtype,arr1.ndim

((1, 3),array([[ 0.47883076],[-0.54553593],[-1.27190261]]),dtype('float64'),2)
  • 数组的访问
arr=np.arange(1,10).reshape(3,3)
arr

array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])

plt.figure(figsize=(2,2))
plt.imshow(arr)

<matplotlib.image.AxesImage at 0x24360c1ed00>

2

arr[:2,:2]

array([[1, 2],[4, 5]])

arr[[0,2],:2]

array([[1, 2],[7, 8]])

arr.T
plt.figure(figsize=(2,2))
plt.imshow(arr.T)

<matplotlib.image.AxesImage at 0x24360c78af0>

3

arr[::-1,]
plt.figure(figsize=(2,2))
plt.imshow(arr[::-1,])

<matplotlib.image.AxesImage at 0x24360ccdd30>

4

arr[::-1,].T
plt.figure(figsize=(2,2))
plt.imshow(arr[::-1,].T)

<matplotlib.image.AxesImage at 0x24360d24e20>

5

arr.T[::-1,]
plt.figure(figsize=(2,2))
plt.imshow(arr.T[::-1,])

<matplotlib.image.AxesImage at 0x24360d78a30>

6

arr.T[::,::-1]
plt.figure(figsize=(2,2))
plt.imshow(arr.T[::,::-1])

<matplotlib.image.AxesImage at 0x24360dcc730>

7

  • 可视化2*2像素的一张图
import matplotlib.pyplot as plt
plt.figure(figsize=(2,2))
plt.imshow([[0,1],[1,0]])

<matplotlib.image.AxesImage at 0x24360e24340>

8

  • 数组的应用np.insert,np.concatenate,np.stack,np.tile
from scipy import misc
plt.figure(figsize=(2,2))
img = misc.face()
plt.imshow(img)

<matplotlib.image.AxesImage at 0x24360ef4be0>

9

img.shape

(768, 1024, 3)

plt.figure(figsize=(2,2))
plt.imshow(img[:,:512,:])

<matplotlib.image.AxesImage at 0x24361197ca0>

10

plt.figure(figsize=(2,2))
plt.imshow(img[:384,:,:])

<matplotlib.image.AxesImage at 0x2436131cd00>

11

plt.figure(figsize=(2,2))
plt.imshow(img[:,:,2])

<matplotlib.image.AxesImage at 0x2436149bcd0>

12

img_r=img[:,:,2]
plt.figure(figsize=(2,2))
plt.imshow(img_r[::-1,:])

<matplotlib.image.AxesImage at 0x243614f7250>

13

img_r=img[:,:,2]
plt.figure(figsize=(2,2))
plt.imshow(img_r[::,::-1])

<matplotlib.image.AxesImage at 0x2436154b4c0>

14

img_new=np.insert(img_r,0,img_r[:50],axis=0)
plt.figure(figsize=(2,2))
plt.imshow(img_new)

<matplotlib.image.AxesImage at 0x2436159b790>

15

img_new=np.insert(img_r,0,img_r[:,:100].T,axis=1)
plt.figure(figsize=(2,2))
plt.imshow(img_new)

<matplotlib.image.AxesImage at 0x243615f0f40>

16

plt.figure(figsize=(2,2))
plt.imshow(np.concatenate([img_r,img_r],axis=1))

<matplotlib.image.AxesImage at 0x24362a74c10>

17

plt.figure(figsize=(2,2))
plt.imshow(np.concatenate([img_r,img_r],axis=0))

<matplotlib.image.AxesImage at 0x243628f9be0>

18

plt.figure(figsize=(2,2))
plt.imshow(np.stack([img_r,img_r],axis=0)[0])

<matplotlib.image.AxesImage at 0x2436294cdf0>

19

实验1 生成由随机数组成的三通道图片，分别显示每个维度图片，并将三个通道的像素四周进行填充，分别从上下左右各填充若干数据。

程序设计

#利用随机数生成图片
import numpy as np
import numpy.random as rd
import matplotlib.pyplot as plt
fig=plt.figure(figsize=(4,4))#四张子图
ax1=fig.add_subplot(221)
ax2=fig.add_subplot(222)
ax3=fig.add_subplot(223)
ax4=fig.add_subplot(224)#用随机数数组填充子图
img=rd.randint(0,255,(10,10))
ax1.imshow(img)
ax2.imshow(img) 
ax3.imshow(img)  
ax4.imshow(img)  #从上方填充
img1=np.insert(img,0,img[0,:],axis=0)
ax1.imshow(img1)#从下面填充
img2=np.insert(img,-1,img[-1,:],axis=0)
ax2.imshow(img2)#从左边填充
img3=np.insert(img,0,img[:,0],axis=1)
ax3.imshow(img3)#从右边填充
img4=np.insert(img,-1,img[:,-1],axis=1)
ax4.imshow(img4)plt.tight_layout()
plt.show()

20

具体分析

这段代码是利用随机数生成图片，并在将图片填充到四个子图中展示。以下是代码的具体分析：

  1. 导入numpy库，用于生成随机数和操作数组；导入matplotlib库，用于绘制图像。
  2. 创建一个大小为4x4的Figure对象，即一个包含4个子图的画布。
  3. 使用add_subplot()函数创建四个子图对象ax1、ax2、ax3和ax4。
  4. 使用randint()函数生成一个10x10的随机数数组img，并将其作为参数传递给imshow()函数并分别绘制到四个子图上。
  5. 从上方填充子图1(ax1)：使用insert()函数在数组img的第一行之前插入第一行，并将结果赋给img1。然后使用imshow()函数在子图1上展示img1。
  6. 从下方填充子图2(ax2)：使用insert()函数在数组img的倒数第一行之前插入最后一行，并将结果赋给img2。然后使用imshow()函数在子图2上展示img2。
  7. 从左边填充子图3(ax3)：使用insert()函数在数组img的第一列之前插入第一列，并将结果赋给img3。然后使用imshow()函数在子图3上展示img3。
  8. 从右边填充子图4(ax4)：使用insert()函数在数组img的倒数第一列之前插入最后一列，并将结果赋给img4。然后使用imshow()函数在子图4上展示img4。
  9. 使用tight_layout()函数调整子图的布局，使其适应画布。
  10. 使用show()函数显示画布和子图。

二、Numpy的线性代数运算

import numpy.linalg as la
arr1=np.arange(1,5).reshape(2,2)
arr1

array([[1, 2],[3, 4]])

la.det(arr1)

-2.0000000000000004

la.inv(arr1)

array([[-2. ,  1. ],[ 1.5, -0.5]])

arr1@la.inv(arr1)

array([[1.00000000e+00, 1.11022302e-16],[0.00000000e+00, 1.00000000e+00]])

np.dot(arr1,la.inv(arr1))

array([[1.00000000e+00, 1.11022302e-16],[0.00000000e+00, 1.00000000e+00]])

#矩阵奇异分解
U,s,V=la.svd(arr1)

U,s,V

(array([[-0.40455358, -0.9145143 ],[-0.9145143 ,  0.40455358]]),array([5.4649857 , 0.36596619]),array([[-0.57604844, -0.81741556],[ 0.81741556, -0.57604844]]))

注意， s是个对角方阵，这里用一维数组做了简写。
np.diag(s) 是其本该有的样子。

#重构矩阵
U@np.diag(s)@V

array([[1., 2.],[3., 4.]])

plt.figure(figsize=(2,2))
plt.imshow(img_r,cmap="hot")

<matplotlib.image.AxesImage at 0x24362cde2b0>

21

U,s,V=la.svd(img_r)

U.shape,s.shape,V.shape

((768, 768), (768,), (1024, 1024))

#重构图像
S=np.zeros((U.shape[1],V.shape[0]))
np.fill_diagonal(S,s)
S.shape

(768, 1024)

plt.imshow(U@S@V)

<matplotlib.image.AxesImage at 0x24362d45160>

22

#只用一部分来重构图像
k=500
appro_imag=U@S[:,:20]@V[:20,:]
plt.imshow(appro_imag)

<matplotlib.image.AxesImage at 0x2436554cdc0>

23

结论： 使用奇异值分解可以获得图像的近似表示。此技术可以用于图像压缩或者，图像的主成分分析。

appro_imag.shape

(768, 1024)

实验2 请准备一张图片，按照上面的过程进行矩阵奇异分解，要求保存前50个特征值进行压缩。

程序设计

from PIL import Image
image = misc.ascent()
plt.imshow(image)

<matplotlib.image.AxesImage at 0x243661b3340>

24

U,s,V=la.svd(image)
U.shape,s.shape,V.shape
S=np.zeros((U.shape[1],V.shape[0]))
np.fill_diagonal(S,s)
k=50
appro_imag=U@S[:,:k]@V[:k,:]
plt.imshow(appro_imag)

<matplotlib.image.AxesImage at 0x2436348dc10>

25
具体分析

这段代码使用了PIL库中的Image模块，通过其ascent()函数生成了一个图像。然后使用numpy和scipy的线性代数函数对图像进行奇异值分解（SVD）处理。以下是代码的具体分析：

  1. 导入PIL库中的Image模块。
  2. 使用ascent()函数生成一个图像image。
  3. 使用numpy的线性代数函数la.svd()对图像进行奇异值分解，将结果分别赋给U、s和V三个变量。
  4. 使用U.shape、s.shape和V.shape分别获得U、s和V的形状（维度）信息，并输出。
  5. 创建一个全零矩阵S，其行数为U的列数，列数为V的行数。
  6. 使用numpy的fill_diagonal()函数将s数组中的元素按对角线方向填充到S矩阵之中，通过对角线填充的方式将奇异值转化为奇异值矩阵。
  7. 设置一个参数k为50，表示提取前k个奇异值和对应的奇异向量。
  8. 使用U、S和V的切片操作，分别选取前k列的奇异向量和前k行的奇异值矩阵，并通过矩阵乘法运算得到近似图像。
  9. 使用plt的imshow()函数将近似图像显示出来。

总体而言，这段代码是对图像进行奇异值分解，并根据提取到的奇异值和奇异向量重构了一个近似图像，并将其显示出来。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/7723.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

C#月数计算器（主要用于社保、医保缴费月数计算）

C#月数计算器（主要用于社保、医保缴费月数计算）

1、为什么做这个&#xff1f; 工作中&#xff0c;经常需要计算参保人社保、医保缴费月数&#xff0c;之前都是在Excel中写一个DATEDIF公式&#xff0c;修改单元格中的日期&#xff0c;计算间隔的月数&#xff0c;公式如下&#xff1a; DATEDIF(起始日期, 终止日期, 返回类型) …
阅读更多...
【wxWidgets】剪贴板和拖放操作

【wxWidgets】剪贴板和拖放操作

【wxWidgets】剪贴板和拖放操作 使用剪贴板传输数据时应用程序间的一种交互方式 剪贴板和拖放操作在wxWidgets中共享了一些类来实现数据的传输 数据对象 wxDataObject类时剪贴板操作和拖放操作的核心&#xff0c;该类实例代表了拖放操作中鼠标拖拽的事物和剪贴板中拷贝和粘贴…
阅读更多...
Stephen Wolfram：一次只添加一个词

Stephen Wolfram：一次只添加一个词

It’s Just Adding One Word at a Time 一次只添加一个词 That ChatGPT can automatically generate something that reads even superficially like human-written text is remarkable, and unexpected. But how does it do it? And why does it work? My purpose here is t…
阅读更多...
mysql进阶1——proxysql中间件

mysql进阶1——proxysql中间件

文章目录 一、基本了解二、安装部署三、proxysql管理配置3.1 内置库3.1.1 main库表3.1.2 stats库表3.1.3 monitor库 3.2 常用管理变量3.2.1 添加管理用户3.2.2 添加普通用户3.2.3 修改监听套接字 四、多层配置系统4.1 系统结构4.2 修改变量加载配置4.3 启动加载流程 一、基本了…
阅读更多...
单机和集群以及分布式的浅析

单机和集群以及分布式的浅析

假设一个大系统分为A、B、C、D、E五个模块&#xff0c;也可以认为是五个基本的服务&#xff0c;该系统靠这五个模块协同工作&#xff0c;共同为用户提供服务。 单机 单机&#xff1a;显然&#xff0c;单机表名该系统完完全全的部署在该台机器上&#xff0c;拥有完整的服务&am…
阅读更多...
集成学习——Boosting算法：Adaboost、GBDT、XGBOOST和lightGBM的简要原理和区别

集成学习——Boosting算法：Adaboost、GBDT、XGBOOST和lightGBM的简要原理和区别

1、Boosting算法 Boosting算法是通过串联的方式&#xff0c;将一组弱学习器提升为强学习器算法。它的工作机制如下&#xff1a; &#xff08;1&#xff09;用初始训练集训练出一个基学习器&#xff1b; &#xff08;2&#xff09;依据基学习器的表现对训练样本分布进行调整&…
阅读更多...
opencv 图像距离变换 distanceTransform

opencv 图像距离变换 distanceTransform

图像距离变换&#xff1a;计算图像中每一个非零点距离离自己最近的零点的距离&#xff0c;然后通过二值化0与非0绘制图像。 #include "iostream" #include "opencv2/opencv.hpp" using namespace std; using namespace cv;int main() {Mat img, dst, dst…
阅读更多...
洛必达法则和分部积分的应用之计算数学期望EX--概率论浙大版填坑记

洛必达法则和分部积分的应用之计算数学期望EX--概率论浙大版填坑记

如下图所示&#xff0c;概率论与数理统计浙大第四版有如下例题&#xff1a; 简单说就是&#xff1a;已知两个相互独立工作电子装置寿命的概率密度函数&#xff0c;将二者串联成整机&#xff0c;求整机寿命的数学期望。 这个题目解答中的微积分部分可谓是相当的坑爹&#xff0c;…
阅读更多...
vue/cli 自定义配置

vue/cli 自定义配置

vue/cli 自定义配置 1、更改默认的端口号8080 只需要更改vue.config.js文件 1、更改默认的端口号8080 只需要更改vue.config.js文件
阅读更多...
脑电信号处理与特征提取——4.脑电信号的预处理及数据分析要点（彭微微）

脑电信号处理与特征提取——4.脑电信号的预处理及数据分析要点（彭微微）

目录 四、脑电信号的预处理及数据分析要点 4.1 脑电基础知识回顾 4.2 伪迹 4.3 EEG预处理 4.3.1 滤波 4.3.2 重参考 4.3.3 分段和基线校正 4.3.4 坏段剔除 4.3.5 坏导剔除/插值 4.3.6 独立成分分析ICA 4.4 事件相关电位&#xff08;ERPs&#xff09; 4.4.1 如何获…
阅读更多...
什么是UE像素流送，像素流推流是什么原理？

什么是UE像素流送，像素流推流是什么原理？

游戏开发者通常在运行游戏逻辑时会将游戏渲染到屏幕的同一台设备上来运行虚幻引擎应用&#xff0c;多人联网游戏可能会在应用程序的多个实例之间分发部分游戏逻辑&#xff0c;但每个单独的实例仍然会为自己的玩家在本地渲染游戏。即使是使用 HTML5 部署选项创建可以在 Web 浏览…
阅读更多...
解决@Scope(“prototype“)不生效的问题

解决@Scope(“prototype“)不生效的问题

目录 Scope(“prototype“)不生效Scope(“prototype“)正确用法——解决Bean多例问题 1.问题&#xff0c;Spring管理的某个Bean需要使用多例2.问题升级3. Spring给出的解决问题的办法&#xff08;解决Bean链中某个Bean需要多例的问题&#xff09; Scope(“prototype“)不生效 …
阅读更多...
【ribbon】Ribbon的使用与原理

【ribbon】Ribbon的使用与原理

负载均衡介绍 负载均衡&#xff08;Load Balance&#xff09;&#xff0c;其含义就是指将负载&#xff08;工作任务&#xff09;进行平衡、分摊到多个操作单元上进行运行&#xff0c;例如FTP服务器、Web服务器、企业核心应用服务器和其它主要任务服务器等&#xff0c;从而协同…
阅读更多...
【《Go编程进阶实战：开发命令行应用、HTTP应用和gRPC应用》——指导你使用Go语言构建健壮的、生产级别的应用程序】

【《Go编程进阶实战：开发命令行应用、HTTP应用和gRPC应用》——指导你使用Go语言构建健壮的、生产级别的应用程序】

谷歌在2009年发布了Go编程语言&#xff0c;并于2012年发布了1.0版。Go语言具有强大的兼容性&#xff0c;一直用于编写可扩展的重量级程序(命令行应用程序、关键基础设施工具乃至大规模分布式系统)。凭借简单性、丰富的标准库和蓬勃发展的第三方软件包生态系统&#xff0c;Go语言…
阅读更多...
工程安全监测无线振弦采集仪在建筑物中的应用

工程安全监测无线振弦采集仪在建筑物中的应用

工程安全监测无线振弦采集仪在建筑物中的应用 工程安全监测无线振弦采集仪是一种用于建筑物结构安全监测的设备&#xff0c;它采用了无线传输技术&#xff0c;具有实时性强、数据精度高等优点&#xff0c;被广泛应用于建筑物结构的实时监测和预警。下面将从设备的特点、应用场…
阅读更多...
FPGA中RAM的结构理解

FPGA中RAM的结构理解

FPGA中RAM的结构理解 看代码的过程中对RAM的结构不是很理解&#xff0c;搞脑子一片浆糊&#xff0c;反复推算&#xff0c;好不容易理清了思路&#xff0c;记录下来&#xff0c;防止忘记。开辟的RAM总容量为128bytes&#xff0c;数据的位宽为32位&#xff08;即一个单元有32bit…
阅读更多...
Linux の shell 基本语法

Linux の shell 基本语法

变量 shell中变量比较特殊&#xff0c;变量名和等号之间不能有空格。其它的跟常见的变成语言类似 命名规则&#xff1a; 命名只能使用英文字母&#xff0c;数字和下划线&#xff0c;首个字符不能以数字开头。 中间不能有空格&#xff0c;可以使用下划线 _。 不能使用标点符号。…
阅读更多...
Flask 创建文件目录，删除文件目录

Flask 创建文件目录，删除文件目录

项目结构 app.py from flask import Flask, render_template, request, redirect, url_for import osapp Flask(__name__) BASE_DIR os.path.abspath(os.path.dirname(__file__)) FILE_DIR os.path.join(BASE_DIR, testfile)app.route(/, methods[GET, POST]) def index():…
阅读更多...
jenkins

jenkins

Gitlab添加钩子 测试钩子 添加完成后&#xff0c;下面会出现钩子选择。点击test中的&#xff0c;push event。 出现successful&#xff0c;既添加成功。 如果添加失败&#xff0c;报错&#xff0c;更改Network
阅读更多...
JMerter安装配置以及使用（笔记记录）

JMerter安装配置以及使用（笔记记录）

JMerter安装配置以及使用&#xff08;笔记记录&#xff09; 安装JDK安装JMeterJMeter使用元件执行的顺序参数详解参数配置之CSV数据文件设置断言响应断言JSON断言 数据提取XPath提取器JSON提取器 JMeter属性JMeter录制脚本JMeter直连数据库逻辑控制器如果&#xff08;IF&#x…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023