自然语言处理 -- 神经网络的复习

本系列内容是学习《深度学习进阶：自然语言处理》的学习笔记，如果有什么描述错误的地方，欢迎大家在评论区及时指正。接下来，开始今天的内容。

向量和矩阵

向量是同时拥有大小和方向的量，可以表示位排成一排的数字集合，在 Python 中就是我们常说的一维数组。与之相对应的是矩阵，即 Python 中的二维数组。

上图中，左边的就是我们常说的向量，右边就是我们说的矩阵，在矩阵中水平方向的称为行(ROW), 垂直方向的称为列(COLUMN)。因此右侧的矩阵，我们也可以称其为"3 x 2 的矩阵"。

将向量和矩阵扩展到 N 维的数据集合，就是张量。

import numpy as npx = np.array([1, 2, 3])x.__class__x.shapex.ndim

shape 表示多维数组的 形状，ndim 表示维数。

上面的代码中的 x 是一个元素为 3 的向量。

import numpy as npW = np.array([[1, 2, 3], [4, 5, 6]])

上面的代码表示的是一个二维数字，即是一个 2 x 3(2 行 3 列)的矩阵。

矩阵的对应元素的运算

import numpy as npW = np.array([[1, 2, 3], [4, 5, 6]])X = np.array([[7, 8, 9], [0, 1, 2]])

如上图所示，我们对两个矩阵进行了一些运算，从运算结果中可以看到，其实就是两个矩阵对应位置的元素单独进行运算后生成的新矩阵，这就是 NumPy 数组中的对应元素的运算。