登录社区云，与社区用户共同成长
邀请您加入社区
写给新手的 asnumpy：昇腾原生 NumPy 到底是啥？
实验室代码跑得好好的，一旦要迁移到昇腾 NPU，整个人都麻了。
有个同事之前跟我说，他写了一套数据预处理的 pipeline，全是 NumPy 写的，后来要迁移到昇腾 NPU 上跑，“感觉天都要塌了”——几千行 NumPy 代码，难道要全部重写？后来他发现了 asnumpy，这个东西基本上解决了这个问题。不需要改你的 NumPy 代码，直接换一下 import，数据搬上 NPU 跑，原来的语法一个不动。
NumPy广播机制与通用函数指南摘要 本文深入讲解了NumPy的两大核心特性：广播机制和通用函数(ufunc)。广播机制通过4条规则实现不同形状数组的运算：维度相同直接运算、一方为1则扩展、缺失维度补1扩展、否则报错。文章通过标量广播、行向量广播和外积模式等案例演示了广播规则的应用。 实际应用部分展示了广播在数据归一化(Z-Score标准化)和欧氏距离矩阵计算中的高效实现。通用函数部分涵盖了一元/
最近项目需要在昇腾NPU上跑一些数值计算，不是训练模型，就是纯算东西——矩阵分解、特征值、随机采样之类的。一开始我想，NumPy代码直接跑不就行了？不行。NumPy跑在CPU上，数据要从NPU搬回CPU才能算，算完再搬回去。一来一回，瓶颈全在数据搬运上，NPU在那干等。后来翻CANN开源社区，发现一个叫 asnumpy 的仓库。官方介绍是"NPU原生NumPy兼容接口"，意思是你可以用类似NumP
摘要：asnumpy是一个与NumPy API完全兼容的库，可直接在昇腾NPU上运行计算，无需修改现有NumPy代码。它通过将数据存储在NPU的HBM内存中，调用CANN算子进行计算，显著提升了矩阵乘法、FFT等操作的性能。相比传统NumPy转PyTorch再转NPU的流程，asnumpy减少了数据搬运开销，支持广播和原地操作优化。该库特别适合科学计算、数据预处理等场景，只需替换import语句即
如果你用 Python 做 AI 开发，大概率写过类似这样的代码：用 NumPy 预处理数据，把结果转成 PyTorch Tensor，推理完再转回 NumPy 做后处理。这个过程里数据在 CPU 和 NPU 之间来回拷贝了一次，拖慢了整体速度。CANN 的 asnumpy 仓库提供了直接在昇腾NPU 上运行的 NumPy 兼容接口。
本文是《动手学深度学习》系列的第一篇，重点讲解深度学习的数学基础与核心概念。文章从NumPy和PyTorch的张量操作入手，详细介绍了张量的创建、运算和广播机制，并深入解析了自动微分、计算图和反向传播的原理。通过代码示例演示了梯度下降的实现过程，帮助读者建立从数学理论到代码实践的完整认知框架。文章强调形状匹配的重要性，并对比了NumPy与PyTorch的实现差异，为后续深度学习模型的学习打下坚实基
本文系统介绍了NumPy数组的创建方法和高级索引技术。主要内容包括： 数组创建：详细讲解np.array()、zeros()、ones()、arange()等11种创建方式及其适用场景，强调dtype对内存的影响。 基础切片：解析[start:stop:step]语法规则，演示一维/二维数组切片操作，指出切片返回的是视图而非拷贝。 高级索引：涵盖花式索引(Fancy Indexing)和布尔掩码操
质谱蛋白质组学可生成表征生物样品中肽段/蛋白质组分的复杂数据，各类机器学习是串联质谱肽段鉴定及数据分析全流程的核心计算方法。随着深度学习成为数据建模与解析的强力机器学习手段，蛋白质组学计算研究者利用海量公开数据集训练机器学习模型，用于预测肽段碎裂谱与液相色谱保留时间。ProteomicsML等资源为这类学习任务提供了详尽的演示教程，缩小了蛋白质组学与机器学习领域的隔阂。但现有深度学习教学材料普遍缺
摘要：本文系统阐述了程序员如何构建"开挂级"技能树，从基础能力、工具效率、高阶思维到实战技巧四个维度展开。基础层强调语言范式、算法思维和计算机原理；工具层聚焦开发工具链、Git和自动化；思维层涵盖设计模式、系统设计和性能优化；实战层则关注代码可读性、调试技巧和系统容错性。文章指出，真正的"开挂"源于系统化学习和持续实践，建议通过开源项目分析、工具复用和跨界融
本文深入讲解NumPy在深度学习中的核心应用，重点剖析矩阵运算、广播机制和向量化编程。首先从ndarray内存布局入手，解释C顺序与Fortran顺序的区别及其对性能的影响。然后详细讲解广播规则及其在深度学习中的典型应用场景，如Transformer中的偏置加法。文章还介绍了向量化编程技巧和einsum表达式，最后通过手写Self-Attention前向传播的NumPy实现，展示如何将这些知识应用
本文介绍了循环神经网络（RNN）及其改进模型LSTM和GRU在序列数据处理中的应用。RNN通过隐藏状态传递时序信息，但存在梯度消失问题。LSTM通过门控机制解决了长距离依赖问题，GRU则简化了结构。文章以IMDB情感分类为例，展示了双向LSTM模型的实现过程，包括数据预处理、模型构建、训练评估等步骤。实验使用PyTorch框架，在5个epoch内达到约87%的测试准确率。此外还提及了LSTM在时间
numpy提供了argwhere 方法筛选数组中非0项，然后返回这些项的坐标。1.针对二分类将预测出来的二值图像划分为布尔前景/背景。4. 列表切割(所有坐标数*95%)的数组。3. 对坐标进行排序：np.sort()2.所有前景的坐标计算。
本文针对蒙西电网次日实时电价预测与储能套利问题，构建了基于 LightGBM 与 GradientBoostingRegressor（GBR）的预测模型，并结合特征工程与超参数优化提升模型效果。实验发现，储能收益相比传统预测误差，更依赖于电价波动的相对排序与振幅，因此提出了动态振幅增强方法以扩大套利空间。最终模型在保持预测稳定性的同时，显著提升了储能收益与比赛成绩。
要打印模型内部的梯度流，可以通过注册PyTorch的**前向/反向钩子（hooks）**来捕获并记录各层在前向传播和反向传播过程中的梯度信息。核心原理是在模型的前向传播和反向传播路径上插入回调函数，用于提取和保存中间梯度数据。
摘要 在PyTorch模型导出ONNX时，"No Adapter To Version 17 for Resize"和".numpy() not supported"错误常见于包含Resize算子的模型。本文提供了一套完整的解决方案：首先升级ONNX及相关库至最新版本；其次明确指定opset_version=17以保留最新特性；然后通过将模型中的Parame
本文介绍了深度学习中的块和层概念，通过PyTorch实现自定义神经网络组件。主要内容包括：1）块的基本功能与编程实现，包括前向传播和参数存储；2）从零构建多层感知机（MLP）类，展示如何继承nn.Module并实现关键方法；3）仿制Sequential类的实现原理，通过有序字典管理网络层；4）讨论在自定义块中执行任意代码和控制流的灵活性。文章通过代码示例演示了如何组合简单层构建复杂模型，为理解神经
【数据分析实践要点】数据探索是基础，需检查数据类型、缺失值和分布特征；数据清洗需处理缺失值、重复值等问题。可视化工具(matplotlib/seaborn)能直观呈现数据规律。常用库包括pandas(核心操作)、numpy(数值计算)和scikit-learn(机器学习)。预处理时需标准化数据并进行特征工程。分析方法上，EDA可挖掘数据特征，模型选择需匹配问题类型。项目应遵循完整流程，注重代码规范
F1分数是评估机器学习模型性能的重要指标，它是精确率（Precision）和召回率（Recall）的调和平均，最大值严格为1。当模型预测完全正确时，F1达到1；若任一指标趋近0，F1也趋近0。精确率衡量预测可靠性，召回率体现覆盖率，二者常需权衡。F1的作用是平衡两者，确保模型既可信又全面。实际应用中需根据场景需求侧重不同指标：如垃圾邮件检测优先精确率，癌症筛查则重召回率。理解F1的数学约束与指标意
中草药饮片识别系统是一个融合人工智能图像识别技术的综合性平台，旨在为中草药的智能化识别与分类提供高效解决方案。该系统采用前后端分离的先进架构设计，创新性地集成基于 Java 的 RuoYi 框架与基于 Python 的 Django 框架作为双后端，通过 API 接口实现无缝协同，构建了功能完备的中草药图像识别体系。
本文记录了深度学习环境的详细配置过程。使用Python 3.9.10+Anaconda 2021.10+PyTorch 1.10+CUDA 11.3组合，强调版本兼容性需匹配电脑配置（通过nvidia-smi查询CUDA支持）。安装步骤包括Anaconda基础安装、环境变量配置、虚拟环境创建(torch1.10)、PyTorch套件安装及常见问题处理（如镜像源冲突、NumPy版本报错需降级到1.2
三维及以上数组用于表示更复杂的结构，如三维空间数据（体积像素）、视频帧序列（时间 + 空间维度）、张量（机器学习中的高维数据）等。数组的维度是数组的核心属性之一，它决定了数据的组织形式和结构，对数据存储、访问、运算及算法设计都有着至关重要的影响。线性结构的代表 一维数组是最简单的数组形式，数据按顺序排列成一条 “直线”，类似数学中的向量。由结果可知该shap数组为三维数组，可以利用上面学习的数组操
本文系统介绍了NumPy数组的基础知识及其在深度学习中的应用。主要内容包括：1.数组维度概念及与Tensor的关系，强调NumPy是深度学习框架的基础；2.一维、二维及多维数组的结构特点与创建方法；3.随机数组生成的四种方法对比及其适用场景；4.数组运算（加减乘除、矩阵运算）和索引操作（包括切片和高级索引）；5.结合实例演示了SHAP值在模型特征重要性分析中的应用，通过随机森林分类器展示了SHAP
是NumPy库中用于生成正态分布（高斯分布）随机数的函数。该函数广泛用于统计分析、机器学习中的数据生成和模拟实验。
本文系统解析Python核心库Numpy的高维数据操控之道，直击传统列表在存储与计算中的性能瓶颈。通过掌握ndarray的多维结构（shape/ndim/dtype）、矩阵生成术（zeros/arange/随机矩阵）和向量化运算（广播机制/矩阵乘法），开发者可轻松实现千倍性能飞跃。内容涵盖数据创建、类型转换、统计函数、排序去重等实战技巧，特别针对图像处理、机器学习场景，揭秘
NumPy 提供了一系列的数组操作函数或方法，包括形状调整、元素增删、合并拆分、数学运算等，是数据科学、机器学习和科学计算中处理数值数据的核心工具。
在机器学习中转置常用于：调整图像数据的通道顺序。将时间序列数据从 (序列长度, 特征数) 转为 (特征数, 序列长度)。神经网络中的权重矩阵维度匹配。卷积操作中的滤波器方向调整。
Conda是数据科学、机器学习和Python开发中不可或缺的环境管理工具，能够有效解决依赖冲突和版本不兼容问题。本文全面介绍了Conda的基础概念、核心操作和高级应用，包括环境创建、激活、删除、库的安装与卸载等。此外，还探讨了如何配置国内高速下载源、导出与迁移环境配置、多环境管理以及打包可移植环境等高级技巧。文章还详细讲解了如何在PyCharm、Jupyter Notebook等主流IDE中集成C
Cluster 0: 新客户或低活跃度客户，需要通过促销活动等手段提高其消费频率和金额。Cluster 1: 高频消费者或忠诚客户，是企业的核心客户群体，需要提供优质服务和个性化营销策略来保持其忠诚度。Cluster 2: 高价值但低活跃度客户，需要通过定向营销等手段重新激活其消费行为。
`numpy`（Numerical Python）是 Python 生态中用于高性能科学计算的基础库，其核心是 多维数组对象（`ndarray`），支持矢量化运算、广播机制和底层 C 优化。它广泛应用于数据科学、机器学习、信号处理等领域，是 `pandas`、`scikit-learn`、`TensorFlow` 等库的底层依赖。
numexpr 是一个用于高效数值计算的 Python 库，特别适合对大型数组进行快速的数学运算。它通过将 Python 表达式编译为优化的机器代码（利用多线程和向量化指令），显著提高计算性能。numexpr 是基于 NumPy 的扩展，通常与 NumPy 数组一起使用，适用于科学计算、数据分析和机器学习等场景。
模块的命名一定要符合标识符命名规则test(5,6)注意：若调用相同的模块，第二个会覆盖第一个。即使用第二个模块。
一般对于程序员来说编程语言自带的 int、long、float 等类型就已经够用了。但是在机器学习领域，数据量都是非常大的，比如一张 224x224 的 RGB 图片用 float32 类型存储时，就需要占用 588 KB 内存，进行各种运算时会消耗大量的计算机资源。对于一些特定的数据类型 GPU 才支持加速，深度学习框架也会对数据类型有所要求，所以在 AI 领域，数据类型非常重要。
在本项目中，运用 Python 搭配机器学习技术，对数据集展开深度剖析。数据处理完成后，将处理结果以直观、生动的可视化形式呈现出来
数据表示的历史背景NumPy 是 Python 科学计算的基础库，早期设计为处理多维数组TensorFlow 由 Google Brain 团队开发，采用张量（Tensor）作为核心数据结构两者在矩阵存储方式上存在历史遗留的不一致性矩阵维度的关键概念矩阵维度表示为行数×列数（如 2×3 矩阵）行向量（1×n）与列向量（n×1）的区别NumPy 一维数组（ndarray）与二维矩阵的差异数据输入的维
本例使用了一个Abalone（Datasets - UCI Machine Learning Repository）数据集， 其中包含关于鲍鱼的信息。数据以data形式保存在dataset文件夹中，其中 abalone.data是数据，abalone.names是本案例数据的英文解释。以下是数据集的 中文解释：数据集地址鲍鱼 - UCI 机器学习存储库通过物理测量预测鲍鱼的年龄。鲍鱼的年龄是通过将
深度学习图片分类任务理论。
返回一个元组，元组中的每个元素表示数组在对应维度上的大小。元组的长度等于数组的维度数。shape 属性功能：1.返回一个由数组维度构成的元组2.通过赋值，可以用来调整数组维度的大小注意：如果使用shape属性修改数组的形状，则修改的是原数组的形状，reshape修改数组的形状会返回一个新数组，不修改原数组的形状。
numpy
——numpy
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
人工智能6S服务平台
AtomGit开源社区
全球具身智能开发者社区
脑启社区
