1 个数组中的多个 2D numpy 数组

Question

我正在研究基本神经网络的反向传播，对于每个示例我都必须计算新的权重。我将权重保存在一个名为 weights 的 2D numpy 数组中，看起来像：

 [[0.09719335 0.03077288 0.84256845 0.78993436]
 [0.87452232 0.9833483  0.803617   0.46675746]
 [0.77805488 0.11567956 0.63747511 0.14045771]]

对于新的权重，我需要一对神经元之间每个权重的平均值。我的想法是为我的训练集中的所有数据项计算它，然后计算平均值。为此，我想用 np.zeros 制作一个零数组，上面数组的大小乘以我集合中的数据项数量。我这样试过

newWeights = np.zeros((2,(weights.shape)))

但这没有用。有没有一种方法可以像这样初始化一个数组，或者有另一种方法可以更容易地做到这一点（我想过 np.append 但想不通）

Answer 1

weights.shape 是一个元组，因此您不能按原样包含它，因为维度必须是整数。您可以使用 * 解压元组：

newWeights = np.zeros((2, *weights.shape))

这本质上是对 weights.shape 的解包，因此它的维度等同于 (2, x, y)。

Answer 2

你可以这样做

import numpy as np
arr = np.array( [[0.09719335, 0.03077288, 0.84256845, 0.78993436],
 [0.87452232, 0.9833483,  0.803617,   0.46675746],
 [0.77805488, 0.11567956, 0.63747511, 0.14045771]])

arr3D = np.zeros((2,*arr.shape))

然后像这样在 3D 数组中保存一个 2D 数组：

arr3D[0,:,:] = arr

均值数组的计算是这样的：

mean_arr = arr3D.mean(axis=0)

Answer 3

假设您可以就地修改 weights 数组，np.ndarray.resize 会将您的数组大小调整为 (2, 3, 4) 并用 0 填充新值:

import numpy as np

weights = np.asarray([[0.09719335, 0.03077288, 0.84256845, 0.78993436], [0.87452232, 0.9833483, 0.803617, 0.46675746],
                [0.77805488, 0.11567956, 0.63747511, 0.14045771]])
print(weights.shape) # (3, 4)

weights.resize((2, *weights.shape), refcheck=False)
print(weights.shape) # (2, 3, 4)

[[[0.09719335 0.03077288 0.84256845 0.78993436]
  [0.87452232 0.9833483  0.803617   0.46675746]
  [0.77805488 0.11567956 0.63747511 0.14045771]]

 [[0.         0.         0.         0.        ]
  [0.         0.         0.         0.        ]
  [0.         0.         0.         0.        ]]]

1 个数组中的多个 2D numpy 数组

Multiple 2D numpy arrays in 1 array

python

arrays

numpy

numpy-ndarray