La transmisión en su forma más simple es el mecanismo a través del cual podemos hacer cálculos matemáticos elemento por elemento con matrices o matrices a pesar de que tienen dimensiones incompatibles.
Lo que eso significa es, supongamos que tiene un vector de fila A y desea agregar 23 a todos sus elementos. Ahora, puedes probar cualquiera de los siguientes:
importar numpy como np
- ¿Qué tema es adecuado para un taller de aprendizaje automático para estudiantes de secundaria típicos?
- ¿Cuáles son las ventajas de aprender el aprendizaje automático desde el punto de vista profesional?
- ¿Cuáles son las ventajas de la regresión logística?
- ¿De dónde obtienen los sistemas de conducción autónomos sus datos de entrenamiento?
- Dado que existen marcos optimizados en línea, ¿vale la pena implementar manualmente implementaciones vectorizadas para redes neuronales complicadas?
###### MÉTODO-1 (La forma habitual de aficionados)
A = matriz np. ([[1, 10, 7]]) #forma = (1,3)
B = matriz np. ([[23, 23, 23]]) #forma = (1,3)
resultado1 = A + B
###### MÉTODO-2 (¡Ah, la forma inteligente!)
A = matriz np. ([[1, 10, 7]]) #forma = (1,3)
B = 23
resultado2 = A + B
Sorprendentemente, ¡terminarás con el mismo resultado! Gracias a Broadcasting!
Es un verdadero salvavidas cuando se ejecutan cálculos complejos que consumen mucho tiempo, ya que evita el uso de bucles for (en python) para iterar sobre cada elemento de la matriz, lo que reduce en gran medida la complejidad del tiempo.
Echa un vistazo a esto :
importar numpy como np
A = matriz np. ([[1,2,3], [4,5,6]]) #forma = = 2,3
B = matriz np. ([[10,70,50]]) #forma = (1,3)
# Nota: ¡La forma de A y B es diferente!
# Broadcasting nos permite calcular:
C = A + B
Sin embargo, hay algunas reglas que rigen su juego, ¡asegúrese de consultar la documentación de Numpy para eso y mucho más! ¡Prepárate para sorprenderte!
