Repository navigation
Expand file tree
/
Copy pathexercise_numpy.py
More file actions
194 lines (149 loc) · 5.78 KB
/
Copy pathexercise_numpy.py
File metadata and controls
194 lines (149 loc) · 5.78 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
"""
NumPy 练习题 —— 第一阶段第 1 课
用法: python exercise_numpy.py
每题有 TODO 标记,取消注释并补全代码后运行验证
"""
import numpy as np
# ============================================================
# 练习 1:创建数组与基本运算
# ============================================================
# 任务: 创建一个 3x3 的矩阵,内容为 1 到 9,然后:
# (a) 每个元素乘以 10
# (b) 求所有元素的和、每列的和、每行的和
def exercise_1():
print("=" * 50)
print("练习 1:创建数组与基本运算")
print("=" * 50)
# TODO: 用 np.array 创建 3x3 矩阵 [[1,2,3],[4,5,6],[7,8,9]]
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# TODO: 每个元素乘以 10(向量化,不要用循环)
multiplied = matrix * 10
print(f"乘以 10:\n{multiplied}")
# TODO: 所有元素的和
total = matrix.sum()
print(f"总和: {total}") # 应该是 45
# TODO: 每列的和(axis=?)
col_sums = matrix.sum(axis=0)
print(f"每列和: {col_sums}") # 应该是 [12 15 18]
# TODO: 每行的和
row_sums = matrix.sum(axis=1)
print(f"每行和: {row_sums}") # 应该是 [6 15 24]
# ============================================================
# 练习 2:广播与布尔索引
# ============================================================
# 任务: 给定学生成绩矩阵(5个学生,3门课),完成统计分析
def exercise_2():
print("\n" + "=" * 50)
print("练习 2:广播与布尔索引")
print("=" * 50)
# 5个学生 × 3门课的成绩
scores = np.array(
[
[85, 92, 78], # 学生0
[70, 88, 95], # 学生1
[90, 76, 82], # 学生2
[65, 70, 72], # 学生3
[88, 95, 91], # 学生4
]
)
# TODO (a): 用广播给每门课加 5 分(一个向量加到矩阵上)
bonus = np.array([5, 5, 5])
adjusted = scores + bonus
print(f"加5分后:\n{adjusted}")
# TODO (b): 求每个学生的平均分(axis=?)
student_avg = adjusted.mean(axis=1)
print(f"每个学生平均分: {student_avg}")
# TODO (c): 求每门课的最高分
subject_max = adjusted.max(axis=0)
print(f"每门课最高分: {subject_max}")
# TODO (d): 用布尔索引找出所有 90 分以上的成绩
high_scores = adjusted[adjusted >= 90]
print(f"90分以上的成绩: {high_scores}")
# TODO (e): 找出平均分超过 85 的学生编号
# 提示: 先算平均分,再用布尔条件做索引
good_students = np.where(adjusted.mean(axis=1) > 85)[0]
print(f"平均分>85的学生编号: {good_students}")
# ============================================================
# 练习 3:矩阵运算(神经网络的基础)
# ============================================================
# 任务: 模拟神经网络一层的计算: y = W @ x + b
# 这是所有深度学习框架最基本的操作
def exercise_3():
print("\n" + "=" * 50)
print("练习 3:矩阵运算(模拟神经网络一层)")
print("=" * 50)
# 输入向量 x: 3 个特征
x = np.array([1.0, 2.0, 3.0])
# 权重矩阵 W: 4 个神经元,每个接收 3 个输入
W = np.array(
[
[0.1, 0.2, -0.3],
[-0.5, 0.4, 0.2],
[0.3, -0.1, 0.5],
[0.2, 0.3, -0.4],
]
)
# 偏置向量 b: 每个神经元一个偏置
b = np.array([0.1, -0.2, 0.05, 0.3])
# TODO: 计算 y = W @ x + b(矩阵乘向量 + 广播加偏置)
# 提示: W @ x 得到 4 个值,再加 b
y = W @ x + b
print(f"输入 x: {x}")
print(f"权重 W shape: {W.shape}") # (4, 3)
print(f"输出 y: {y}") # 4 个值
print(f"y shape: {y.shape}") # (4,)
# 验证: 手动算第一个神经元
# y[0] = 0.1*1 + 0.2*2 + (-0.3)*3 + 0.1 = 0.1 + 0.4 - 0.9 + 0.1 = -0.3
print(f"验证 y[0] = {0.1 * 1 + 0.2 * 2 + (-0.3) * 3 + 0.1:.4f} (应为 -0.3)")
# ============================================================
# 练习 4:性能对比(体感向量化优势)
# ============================================================
def exercise_4():
print("\n" + "=" * 50)
print("练习 4:性能对比")
print("=" * 50)
size = 5_000_000
py_list = list(range(size))
np_arr = np.arange(size)
# Python 列表循环
import time
start = time.time()
py_result = [x * 2 + 1 for x in py_list]
py_time = time.time() - start
print(f"Python list 循环 ({size:,} 个元素): {py_time:.3f}s")
# NumPy 向量化
start = time.time()
np_result = np_arr * 2 + 1
np_time = time.time() - start
print(f"NumPy 向量化 ({size:,} 个元素): {np_time:.3f}s")
if py_time > 0:
print(f"加速比: {py_time / np_time:.1f}x")
# ============================================================
# 练习 5:reshape 与切片(数据形状变换)
# ============================================================
def exercise_5():
print("\n" + "=" * 50)
print("练习 5:reshape 与切片")
print("=" * 50)
# 一维数组 0-23
data = np.arange(24)
print(f"原始: {data}")
# TODO (a): reshape 成 4x6 矩阵
matrix = data.reshape(4, 6)
print(f"4x6:\n{matrix}")
# TODO (b): reshape 成 2x3x4 三维数组(2个批次,每批3行4列)
tensor = data.reshape(2, 3, 4)
print(f"2x3x4:\n{tensor}")
# TODO (c): 取出第 2 行第 3-5 列的元素
print(f"matrix[1, 2:5] = {matrix[1, 2:5]}")
# TODO (d): 取出最后两行
print(f"matrix[-2:] =\n{matrix[-2:]}")
if __name__ == "__main__":
exercise_1()
exercise_2()
exercise_3()
exercise_4()
exercise_5()
print(
"\n[OK] 全部练习完成!如果结果和注释里的预期值一致,说明你已掌握 NumPy 基础。"
)