Python 的特性允許你使用廣播（ broadcasting ）功能，這是 Python 的 numpy 程序語(yǔ)言庫(kù)中最靈活的地方。而我認(rèn)為這是程序語(yǔ)言的優(yōu)點(diǎn)，也是缺點(diǎn)。優(yōu)點(diǎn)的原因在于它們創(chuàng)造出語(yǔ)言的表達(dá)性， Python 語(yǔ)言巨大的靈活性使得你僅僅通過(guò)一行代碼就能做很多事情。但是這也是缺點(diǎn)，由于廣播巨大的靈活性，有時(shí)候你對(duì)于廣播的特點(diǎn)以及廣播的工作原理這些細(xì)節(jié)不熟悉的話，你可能會(huì)產(chǎn)生很細(xì)微或者看起來(lái)很奇怪的 bug 。例如，如果你將一個(gè)列向量添加到一個(gè)行向量中，你會(huì)以為它報(bào)出維度不匹配或類(lèi)型錯(cuò)誤之類(lèi)的錯(cuò)誤，但是實(shí)際上你會(huì)得到一個(gè)行向量和列向量的求和。

在 Python 的這些奇怪的影響之中，其實(shí)是有一個(gè)內(nèi)在的邏輯關(guān)系的。但是如果對(duì) Python 不熟悉的話，我就曾經(jīng)見(jiàn)過(guò)的一些學(xué)生非常生硬、非常艱難地去尋找 bug 。所以我在這里想做的就是分享給你們一些技巧，這些技巧對(duì)我非常有用，它們能消除或者簡(jiǎn)化我的代碼中所有看起來(lái)很奇怪的 bug 。同時(shí)我也希望通過(guò)這些技巧，你也能更容易地寫(xiě)沒(méi)有 bug 的 Python 和 numpy 代碼。

為了演示 Python-numpy 的一個(gè)容易被忽略的效果，特別是怎樣在 Python-numpy 中構(gòu)造向量，讓我來(lái)做一個(gè)快速示范。首先設(shè)置，這樣會(huì)生成存儲(chǔ)在數(shù)組??中的5個(gè)高斯隨機(jī)數(shù)變量。之后輸出?，從屏幕上可以得知，此時(shí)??的 shape （形狀）是一個(gè)的結(jié)構(gòu)。這在 Python 中被稱(chēng)作 一個(gè)一維數(shù)組 。它既不是一個(gè)行向量也不是一個(gè)列向量，這也導(dǎo)致它有一些不是很直觀的效果。舉個(gè)例子，如果我輸出一個(gè)轉(zhuǎn)置陣，最終結(jié)果它會(huì)和看起來(lái)一樣，所以和的轉(zhuǎn)置陣最終結(jié)果看起來(lái)一樣。而如果我輸出和的轉(zhuǎn)置陣的內(nèi)積，你可能會(huì)想：乘以的轉(zhuǎn)置返回給你的可能會(huì)是一個(gè)矩陣。但是如果我這樣做，你只會(huì)得到一個(gè)數(shù)。

所以我建議當(dāng)你編寫(xiě)神經(jīng)網(wǎng)絡(luò)時(shí)，不要在它的 shape 是還是或者一維數(shù)組時(shí)使用數(shù)據(jù)結(jié)構(gòu)。相反，如果你設(shè)置??為，那么這就將置于5行1列向量中。在先前的操作里??和??的轉(zhuǎn)置看起來(lái)一樣，而現(xiàn)在這樣的??變成一個(gè)新的??的轉(zhuǎn)置，并且它是一個(gè)行向量。請(qǐng)注意一個(gè)細(xì)微的差別，在這種數(shù)據(jù)結(jié)構(gòu)中，當(dāng)我們輸出??的轉(zhuǎn)置時(shí)有兩對(duì)方括號(hào)，而之前只有一對(duì)方括號(hào)，所以這就是1行5列的矩陣和一維數(shù)組的差別。

如果你輸出??和??的轉(zhuǎn)置的乘積，然后會(huì)返回給你一個(gè)向量的外積，是吧？所以這兩個(gè)向量的外積返回給你的是一個(gè)矩陣。

就我們剛才看到的，再進(jìn)一步說(shuō)明。首先我們剛剛運(yùn)行的命令是這個(gè)?，而且它生成了一個(gè)數(shù)據(jù)結(jié)構(gòu)?，是，一個(gè)有趣的東西。這被稱(chēng)作??的一維數(shù)組，同時(shí)這也是一個(gè)非常有趣的數(shù)據(jù)結(jié)構(gòu)。它不像行向量和列向量那樣表現(xiàn)的很一致，這也讓它的一些影響不那么明顯。所以我建議，當(dāng)你在編程練習(xí)或者在執(zhí)行邏輯回歸和神經(jīng)網(wǎng)絡(luò)時(shí)，你不需要使用這些一維數(shù)組。

相反，如果你每次創(chuàng)建一個(gè)數(shù)組，你都得讓它成為一個(gè)列向量，產(chǎn)生一個(gè)向量或者你讓它成為一個(gè)行向量，那么你的向量的行為可能會(huì)更容易被理解。所以在這種情況下，等同于。這種表現(xiàn)很像?，但是實(shí)際上卻是一個(gè)列向量。同時(shí)這也是為什么當(dāng)它是一個(gè)列向量的時(shí)候，你能認(rèn)為這是矩陣；同時(shí)這里?將要變成，這就像行向量一樣。所以當(dāng)你需要一個(gè)向量時(shí)，我會(huì)說(shuō)用這個(gè)或那個(gè)( column vector or row vector )，但絕不會(huì)是一維數(shù)組。

我寫(xiě)代碼時(shí)還有一件經(jīng)常做的事，那就是如果我不完全確定一個(gè)向量的維度( dimension )，我經(jīng)常會(huì)扔進(jìn)一個(gè)斷言語(yǔ)句( assertion statement )。像這樣，去確保在這種情況下是一個(gè)向量，或者說(shuō)是一個(gè)列向量。這些斷言語(yǔ)句實(shí)際上是要去執(zhí)行的，并且它們也會(huì)有助于為你的代碼提供信息。所以不論你要做什么，不要猶豫直接插入斷言語(yǔ)句。如果你不小心以一維數(shù)組來(lái)執(zhí)行，你也能夠重新改變數(shù)組維數(shù)?，表明一個(gè)數(shù)組或者一個(gè)數(shù)組，以致于它表現(xiàn)更像列向量或行向量。

我有時(shí)候看見(jiàn)學(xué)生因?yàn)橐痪S數(shù)組不直觀的影響，難以定位bug而告終。通過(guò)在原先的代碼里清除一維數(shù)組，我的代碼變得更加簡(jiǎn)潔。而且實(shí)際上就我在代碼中表現(xiàn)的事情而言，我從來(lái)不使用一維數(shù)組。因此，要去簡(jiǎn)化你的代碼，而且不要使用一維數(shù)組。總是使用??維矩陣（基本上是列向量），或者??維矩陣（基本上是行向量），這樣你可以減少很多 assert 語(yǔ)句來(lái)節(jié)省核矩陣和數(shù)組的維數(shù)的時(shí)間。另外，為了確保你的矩陣或向量所需要的維數(shù)時(shí)，不要羞于? reshape ?操作。

總之，我希望這些建議能幫助你解決一個(gè) Python 中的bug，從而使你更容易地完成練習(xí)。

?

?

了解更多？

微信公眾號(hào)：freeinvest