版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
前言
深度学习在如今的火爆程度也不容多说，模型搭建，参数调试也确实需要在理解的基础上进行。当前主流的深度学习框架比较多，相关开源的代码也是如此。万丈高楼平地起，如果想正真理解深度学习的处理过程，是必须要有一定的数学基础，以及编程中的数据结构的表示。在进行数据处理等当前使用比较多的也就是R，Python，相比来说以及就当前形势来看，R语言已经在走下坡路，敌不过Python强大的开源社区等。Python中进行数据处理比较多的就属Numpy以及Pandas等，当然这里涉及的知识点很多，很多在我们日常处理中也用不到。在复旦大学邱锡鹏的神经网络与深度学习书籍中（也对其实验室也是这样要求的）就罗列了，当然上面罗列一些题目，没有具体代码实现。以下就对这些题进行进行编码实现，也是个人书写，难免也会又错误，请留言批评哦。
程序
# -*- coding: utf-8 -*-
"""
Spyder Editor
This is a temporary script file.
"""
# 1.导入numpy库
import numpy as np
# 2.建立一个一维数组 a 初始化为[4,5,6], (1)输出a 的类型（type）
# (2)输出a的各维度的大小（shape）(3)输出 a的第一个元素（值为4）
a = np.array([4,5,6]) # 建立一个一维数组 a 初始化为[4,5,6]
print(type(a)) # 查看数组类型
print(a.shape) # 输出a的各维度的大小
print(a[0]) # 输出 a的第一个元素
print("*"*50)
# 3.建立一个二维数组 b,初始化为 [ [4, 5, 6],[1, 2, 3]] (1)输出各维度的大小（shape）
# (2)输出 b(0,0)，b(0,1),b(1,1) 这三个元素（对应值分别为4,5,2）
b = np.array([ [4, 5, 6],[1, 2, 3]]) # 建立一个二维数组 b,初始化为 [ [4, 5, 6],[1, 2, 3]]
print(b.shape) # 输出各维度的大小
print(b[0][0],b[0][1],b[0][2]) # 输出 b(0,0)，b(0,1),b(1,1)
print("*"*50)
# 4. (1)建立一个全0矩阵 a, 大小为 3x3; 类型为整型（提示: dtype = int）(2)建立一个全1矩阵b,大小为4x5;
# (3)建立一个单位矩阵c ,大小为4x4; (4)生成一个随机数矩阵d,大小为 3x2.
a = np.zeros([3,3],int) # 建立一个全0矩阵 a, 大小为 3x3; 类型为整型（提示: dtype = int）
b = np.ones([4,5]) # 建立一个全1矩阵b,大小为4x5;
c = np.eye(4) # 建立一个单位矩阵c ,大小为4x4;
d = np.random.rand(3,2) # 生成一个随机数矩阵d,大小为 3x2.
# 5. 建立一个数组 a,(值为[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]] ) ,
# (1)打印a; (2)输出 下标为(2,3),(0,0) 这两个数组元素的值
a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(a)
print(a[2][3],a[0][0])
print("*"*50)
# 6.把上一题的 a数组的 0到1行 2到3列，放到b里面去，（此处不需要重新建立a,直接调用即可）
# (1),输出b;(2) 输出b 的（0,0）这个元素的值
row = [i for i in range(0,2)] # 定义行
col = [i for i in range(2,4)] # 定义列
b = a[row] # 先取出需要的行
b = b[:,col] # 再取出需要的列
print(b)
print(b[0][0])
print("*"*50)
# 7. 把第5题的 数组的最后两行所有元素放到 c中，（提示： a[1:2][:]）(1)输出 c ;
# (2) 输出 c 中第一行的最后一个元素（提示，使用 -1 表示最后一个元素）
c = a[1:3][:] # [1:3] 不包括3
print(c)
print(c[0][-1])
print("*"*50)
# 8.建立数组a,初始化a为[[1, 2], [3, 4], [5, 6]]，输出 （0,0）（1,1）（2,0）这三个元素
# （提示： 使用 print(a[[0, 1, 2], [0, 1, 0]]) ）
a = np.array([[1, 2], [3, 4], [5, 6]])
print(a[[0, 1, 2], [0, 1, 0]]) # 通过两个列表定位（0，0），（1，1），（2，0）
print("*"*50)
# 9.建立矩阵a ,初始化为[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]，
# 输出(0,0),(1,2),(2,0),(3,1) (提示使用 b = np.array([0, 2, 0, 1]) print(a[np.arange(4), b]))
a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
b = np.array([0, 2, 0, 1]) # 定位纵坐标
print(a[np.arange(4), b]) # np.arange(4) 获取横坐标[1，2，3，4]
print("*"*50)
# 10.对9中输出的那四个元素，每个都加上10，然后从新输出矩阵a.(提示： a[np.arange(4), b] += 10 ）
a[np.arange(4), b] += 10 # 加到对应坐标的元素中
print(a[np.arange(4), b])
print("*"*50)
# array 的数学运算
# 11. 执行 x = np.array([1, 2])，然后输出 x 的数据类型，（答案是 int64）
x = np.array([1,2],dtype="int64") # 默认为int32
print(x.dtype)
print("*"*50)
# 12.执行 x = np.array([1.0, 2.0]) ，然后输出 x 的数据类洗净（答案是 float64）
x = np.array([1.0, 2.0])
print(x.dtype)
print("*"*50)
# 13.执行 x = np.array([[1, 2], [3, 4]], dtype=np.float64) ，
# y = np.array([[5, 6], [7, 8]], dtype=np.float64)，然后输出 x+y ,和 np.add(x,y)
x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(np.add(x,y))
print("*"*50)
# 14. 利用 13题目中的x,y 输出 x-y 和 np.subtract(x,y)
print(np.subtract(x,y))
print("*"*50)
# 15. 利用13题目中的x，y 输出 x*y ,和 np.multiply(x, y) 还有 np.dot(x,y),比较差异。然后自己换一个不是方阵的试试。
print(np.multiply(x,y)) #矩阵点乘，对应元素相乘
print(np.dot(x,y)) # 矩阵乘法
print("*"*50)
# 16. 利用13题目中的，x,y,输出 x / y .(提示 ： 使用函数 np.divide())
print(np.divide(x,y))
print("*"*50)
# 17. 利用13题目中的，x,输出 x的 开方。(提示： 使用函数 np.sqrt() )
print(np.sqrt(x))
print("*"*50)
# 18.利用13题目中的，x,y ,执行 print(x.dot(y)) 和 print(np.dot(x,y))
print(x.dot(y)) # 矩阵乘法
print(np.dot(x,y)) # 矩阵乘法
print("*"*50)
# 19.利用13题目中的 x,进行求和。（提示：输出三种求和 (1)print(np.sum(x)):
# (2)print(np.sum(x，axis =0 ）); (3)print(np.sum(x,axis = 1))）
print(np.sum(x)) # 计算矩阵x所有元素的和
print(np.sum(x,axis=0)) # 计算矩阵x每列的和
print(np.sum(x,axis=1)) # 计算矩阵x每行的和
print("*"*50)
# 20.利用13题目中的 x,进行求平均数（提示：输出三种平均数(1)print(np.mean(x))
# (2)print(np.mean(x,axis = 0))(3) print(np.mean(x,axis =1))）
print(np.mean(x)) # 矩阵x所有元素之和/矩阵x元素个数
print(np.mean(x,axis=0)) # 矩阵x每列的平均值
print(np.mean(x,axis=1)) # 矩阵x每行的平均值
print("*"*50)
# 21.利用13题目中的x，对x 进行矩阵转置，然后输出转置后的结果，（提示： x.T 表示对 x 的转置）
print(x.T)
print("*"*50)
# 22.利用13题目中的x,求e的指数（提示： 函数 np.exp()）
print(np.exp(x)) # e^x
print("*"*50)
# 23.利用13题目中的 x,求值最大的下标（提示(1)print(np.argmax(x)) ,
# (2) print(np.argmax(x),axis =0)(3)print(np.argmax(x),axis =1))
print(np.argmax(x))
print(np.argmax(x,axis=0)) # 矩阵x每列对应最大值的索引
print(np.argmax(x,axis=1)) # 矩阵x每行对应最大值的索引
print("*"*50)
# 24.画图，y=x*x, x = np.arange(0, 100, 0.1) （提示这里用到 matplotlib.pyplot 库）
import matplotlib.pyplot as plt
fig = plt.figure()
ph = fig.add_subplot(2,2,1) # 两行两列的第一个图
x = np.arange(0,100,0.1)
y = x*x
ph.plot(x,y)
# 25.画图。画正弦函数和余弦函数， x = np.arange(0, 3 * np.pi, 0.1)
# (提示：这里用到 np.sin() np.cos() 函数和 matplotlib.pyplot 库)
y1 = np.sin(x)
y2 = np.cos(x)
ph2 = fig.add_subplot(2,2,2) # 两行两列的第二个图
ph2.plot(x,y1)
ph3 = fig.add_subplot(2,2,3) # # 两行两列的第三个图
ph3.plot(x,y2)
plt.show()
# 26.附加题.执行下面的语句，解释运算结果，了解 nan 和 inf 的含义 print(0*np.nan)
# print(np.nan == np.nan) print(np.inf > np.nan) print(np.nan - np.nan) print(0.3 == 3***0.1)
print(0*np.nan) # numpy空类型值为nan
# np.nan 非空对象，其类型为基本数据类型float,用 i is None-->False；np.isnan(np.nan) --> True
print(np.nan == np.nan) # False
print(np.inf > np.nan) # np.inf为无穷大
print(np.nan - np.nan)
print(0.3 == 3*0.1) # 3*0.1 -> 0.30000000000000004 精度问题
总结
以上是使用python3.6 基于spyder进行书写。以上的问题也是我们日常中经常会遇到的问题，再遇到其他问题的话，就自行百度，再做笔记了。以下是上面程序绘制的图形：