一、Python的矩阵传播机制（Broadcasting）
我们知道在深度学习中经常要操作各种矩阵（matrix） 。回想一下，我们在操作数组（list）的时候，经常习惯于用**for循环（for-loop）**来对数组的每一个元素进行操作。例如：
my_list = [1,2,3,4] new_list = [] for each in my_list: new_list.append(each*2) print(new_list) # 输出 [2,3,4,5]
如果是矩阵呢:
my_matrix = [[1,2,3,4], [5,6,7,8]] new_matrix = [[],[]] for i in range(2): for j in range(4): new_matrix[i].append(my_matrix[i][j]*2) print(new_matrix)# 输出 [[2, 4, 6, 8], [10, 12, 14, 16]]
实际上，上面的做法是十分的低效的！数据量小的话还不明显，如果数据量大了，尤其是深度学习中我们处理的矩阵往往巨大，那用for循环去跑一个矩阵，可能要你几个小时甚至几天。
Python考虑到了这一点，这也是本文主要想介绍的**“Python的broadcasting”即传播机制**。
先说一句，python中定义矩阵、处理矩阵，我们一般都用numpy这个库。
二、下面展示什么是python的传播机制
import numpy as np# 先定义一个3×3矩阵 A：
A = np.array(
[[1,2,3],
[4,5,6],
[7,8,9]])
print("A:\n",A)
print("\nA*2:\n",A*2) # 直接用A乘以2
print("\nA 10:\n",A 10) # 直接用A加上10运行结果：
A:
[[1 2 3]
[4 5 6]
[7 8 9]]A*2:
[[ 2 4 6]
[ 8 10 12]
[14 16 18]]A 10:
[[11 12 13]
[14 15 16]
[17 18 19]]
接着，再看看矩阵×（ ）矩阵：
#定义一个3×1矩阵（此时也可叫向量了）
B = np.array([[10],
[100],
[1000]])
print("\nB:\n",B)
print("\nA B:\n",A B)
print("\nA*B:\n",A*B)运行结果：
B:
[[ 10]
[ 100]
[1000]]A B:
[[ 11 12 13]
[ 104 105 106]
[1007 1008 1009]]A*B:
[[ 10 20 30]
[ 400 500 600]
[7000 8000 9000]]
可见，虽然A和B的形状不一样，一个是3×3，一个是3×1，但是我们在python中可以直接相加、相乘，相减相除也可以。也许看到这，大家都对broadcasting有感觉了。
用一个图来示意一下：
所谓“传播”，就是把一个数或者一个向量进行“复制”，从而作用到矩阵的每一个元素上。
有了这种机制，那进行向量和矩阵的运算，就太方便了！理解了传播机制，就可以随心所欲地对矩阵进行各种便捷的操作了。
三、利用numpy的内置函数对矩阵进行操作
numpy内置了很多的数学函数，例如np.log(),np.abs(),np.maximum()等等上百种。直接把矩阵丢进去，就可以算出新矩阵！ 示例：
print(np.log(A))
输出把A矩阵每一个元素求log后得到的新矩阵：
array([[0. , 0.69314718, 1.09861229], [1.38629436, 1.60943791, 1.79175947], [1.94591015, 2.07944154, 2.19722458]])
再比如深度学习中常用的ReLU激活函数，就是y=max(0,x)，
也可以对矩阵直接运算：
X = np.array([[1,-2,3,-4], [-9,4,5,6]])Y = np.maximum(0,X)print(Y)
得到：
[[1 0 3 0] [0 4 5 6]]
更多的numpy数学函数，可以参见文档
四、定义自己的函数来处理矩阵
其实这才是我写下本文的目的。。。前面扯了这么多，只是做个铺垫( /ω＼)
我昨天遇到个问题，就是我要对ReLU函数求导，易知，y=max(0,x)的导函数是：y’ = 0 if x<0 y’ = 1 if x>0 但是这个y’（x）numpy里面没有定义，需要自己构建。即，我需要将矩阵X中的小于0的元素变为0，大于0的元素变为1。搞了好久没弄出来，后来在StackOverflow上看到了解决办法：
def relu_derivative(x): x[x<0] = 0 x[x>0] = 1 return x X = np.array([[1,-2,3,-4], [-9,4,5,6]]) print(relu_derivative(X))
输出：
[[1 0 1 0]
[0 1 1 1]]
**居然这么简洁就出来了！！！**ミﾟДﾟ彡 (ﾟДﾟ#)
这个函数relu_derivative中最难以理解的地方，就是**x[x>0]**了。于是我试了一下：
X = np.array([[1,-2,3,-4], [-9,4,5,6]]) print(X[X>0]) print(X[X<0])
输出：
[1 3 4 5 6]
[-2 -4 -9]
它直接把矩阵X中满足条件的元素取了出来！原来python对矩阵还有这种操作！
所以可以这么理解，X[X>0]相当于一个“选择器”，把满足条件的元素选出来，然后直接全部赋值。
用这种方法，我们便可以定义各种各样我们需要的函数，然后对矩阵整体进行更新操作了！
五、总结
可以看出，python以及numpy对矩阵的操作简直神乎其神，方便快捷又实惠。其实上面忘了写一点，那就是计算机进行矩阵运算的效率要远远高于用for-loop来运算，
不信可以用跑一跑：
# vetorization vs for loop
# define two arrays a, b:
a = np.random.rand(1000000)
b = np.random.rand(1000000)
# for loop version:
t1 = time.time()
c = 0
for i in range(1000000):
c = a[i]*b[i]
t2 = time.time()
print(c)
print("for loop version:" str(1000*(t2-t1)) "ms")
time1 = 1000*(t2-t1)
# vectorization version:
t1 = time.time()
c = np.dot(a,b)
t2 = time.time()
print(c)
print("vectorization version:" str(1000*(t2-t1)) "ms")
time2 = 1000*(t2-t1)
print("vectorization is faster than for loop by " str(time1/time2) " times!")运行结果：
249765.8415288075
for loop version:627.4442672729492ms
249765.84152880745
vectorization version:1.5032291412353516ms
vectorization is faster than for loop by 417.39762093576525 times!
可见，用for方法和向量化方法，计算结果是一样，但是后者比前者快了400多倍！
因此，在计算量很大的时候，我们要尽可能想办法对数据进行Vectorizing，即“向量化” ，以便让计算机进行矩阵运算。
到此这篇关于Python 的矩阵传播机制Broadcasting和矩阵运算的文章就介绍到这了,更多相关Python矩阵传播内容请搜索Devmax以前的文章或继续浏览下面的相关文章希望大家以后多多支持Devmax！