Numpy
.dot
a.dot(b)表示两个向量内积
A.dot(B) 表示两个矩阵的矩阵乘法
np.linspace
np.linspace(start,end,Number)从start到end，生成等距的维度为Number的向量。如果start和end是向量的话，则生成对应矩阵
np.random.randn
np.random.randn（5,3）创建一个5×3的随机矩阵，元素为满足标准正态分布的随机变量
.repeat(a,b)
A.repeat(a,b)表示将A在维度b复制a次。b=1表示复制列
pad(array, pad_width)
#在数组A的边缘填充constant_values指定的数值
#（3,2）表示在A的第[0]轴填充（二维数组中，0轴表示行），即在0轴前面填充3个宽度的0，比如数组A中的95,96两个元素前面各填充了3个0；在后面填充2个0，比如数组A中的97,98两个元素后面各填充了2个0*
#（2,3）表示在A的第[1]轴填充（二维数组中，1轴表示列），即在1轴前面填充2个宽度的0，后面填充3个宽度的0*
A = np.arange(95,99).reshape(2,2)
array([[95, 96],
[97, 98]])
np.pad(A,((3,2),(2,3)),'constant',constant_values = (0,0))
#constant_values表示填充值，且(before，after)的填充值等于（0,0）
array([[ 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 95, 96, 0, 0, 0],
[ 0, 0, 97, 98, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0, 0, 0]])
Pytorch
随机取样
假设有num_examples个样本
def select_data_batch(features,labels,batch_size):
num_examples=features.size(0)
indices=list(range(num_examples))
random.shuffle(indices) #对样本序号进行随机
for i in range(0,num_examples,batch_size)
j=torch.LongTensor(indices[i:min(i+batch_size,num_examples)])
yield features.index_select(0,j),labels.index_select(0,j)
torch.index_select ( A, i , j )
也可以写作 A.index_select (i,j) 表示A的维度i，选取indece为j的元素，j可以使indice集合。比如要选取第3、4行的向量，可以是 A.index_select (0,[3,4])
torch.cat
torch.cat(A,B,int)将A和B两个矩阵从维度int拼接在一起
torch.matmul
torch.matmul(A,B) 根据A和B的类型进行乘法。若均为向量，则为点积；若A是矩阵，B是向量或是矩阵，则按照矩阵乘法。
数组排序后还原
l = torch.randint(10,(10,))
a, idx1 = torch.sort(l)
b, idx2 = torch.sort(idx1)
a.index_select(0,idx2) #0表示选择的维度 返回值为l
import matplotlib.pyplot as plt
plt.scatter
plt.scatter(a.numpy(),b.numpy(),size=2) 以a为横轴，b为纵轴，点的size为2
