DL4J实战之五(矩阵操作基本功)

欢迎访问我的GitHub
【DL4J实战之五(矩阵操作基本功)】https://github.com/zq2599/blog_demos
内容:所有原创文章分类汇总及配套源码,涉及Java、Docker、Kubernetes、DevOPS等;
本篇概览

  • 作为《DL4J实战》系列的第五篇,在前面对深度学习有一定的了解后,本篇会暂停深度学习相关的操作,转为基本功练习:矩阵操作,即INDArray接口的基本用法
  • INDArray的类图如下,由于BaseNDArray是个抽象类,因此在实际使用中,咱们用的都是NDArray的实例:
DL4J实战之五(矩阵操作基本功)
文章图片

  • 之所以用一篇文章来学习矩阵操作,是因为后面的实战过程中处处都有它,处处离不开它,若不熟练就会寸步难行;
  • 本篇涉及的API较多,因此先做好归类,后面的代码按照分类来写会清晰一些,一共分为五类:矩阵属性、创建操作、读操作、写操作、矩阵计算,接下来用思维导图列出每一类的常用API
  • 矩阵属性:
DL4J实战之五(矩阵操作基本功)
文章图片

  • 创建操作:
DL4J实战之五(矩阵操作基本功)
文章图片

  • 读操作:
DL4J实战之五(矩阵操作基本功)
文章图片

  • 写操作:
DL4J实战之五(矩阵操作基本功)
文章图片

  • 矩阵计算:
DL4J实战之五(矩阵操作基本功)
文章图片

源码下载
  • 本篇实战中的完整源码可在GitHub下载到,地址和链接信息如下表所示(https://github.com/zq2599/blo...):
名称 链接 备注
项目主页 https://github.com/zq2599/blo... 该项目在GitHub上的主页
git仓库地址(https) https://github.com/zq2599/blo... 该项目源码的仓库地址,https协议
git仓库地址(ssh) git@github.com:zq2599/blog_demos.git 该项目源码的仓库地址,ssh协议
  • 这个git项目中有多个文件夹,《DL4J实战》系列的源码在dl4j-tutorials文件夹下,如下图红框所示:
DL4J实战之五(矩阵操作基本功)
文章图片

  • dl4j-tutorials文件夹下有多个子工程,本次实战代码在ndarray-experience目录下,如下图红框:
DL4J实战之五(矩阵操作基本功)
文章图片

创建工程
  • 在父工程dl4j-tutorials下新建名为ndarray-experience的子工程,其pom.xml如下:
dlfj-tutorials com.bolingcavalry 1.0-SNAPSHOT 4.0.0ndarray-experience org.nd4j${nd4j.backend} ch.qos.logback logback-classic

  • 接下来的代码都写在ndarray-experience工程中
最基本的方法
  • 先列出两个最基本的方法,后面学习时会频繁用到它们:
  • rand:秩,维数,例如2行3列的二维矩阵,rand方法返回值等于2
  • shape:矩阵每个维度的大小,如2行3列的二维矩阵,shape方法返回值等于[2, 3]
  • 准备一个静态方法,可以将INDArray实例的详情打印出来,用的就是rand和shape方法:
private static void disp(String type, INDArray indArray) { StringBuilder stringBuilder = new StringBuilder("*****************************************************\n"); stringBuilder.append(type) .append("\n维度 : ").append(indArray.rank()) .append("\n形状 : ").append(Arrays.toString(indArray.shape())) .append("\n完整矩阵 : \n").append(indArray); System.out.println(stringBuilder); }

创建矩阵
  1. 全零矩阵:zeros
// 创建2行3列的全零矩阵 INDArray indArray0 = Nd4j.zeros(2, 3); disp("全零矩阵", indArray0);

  • 执行结果
全零矩阵 维度 : 2 形状 : [2, 3] 完整矩阵 : [[0,0,0], [0,0,0]]

  1. 全1矩阵:ones
// 创建2行3列的全一矩阵 INDArray indArray1 = Nd4j.ones(2, 3); disp("全一矩阵", indArray1);

  • 执行结果
全一矩阵 维度 : 2 形状 : [2, 3] 完整矩阵 : [[1.0000,1.0000,1.0000], [1.0000,1.0000,1.0000]]

  1. 全是指定值的矩阵:valueArrayOf
// 创建2行3列的全是指定值的矩阵 INDArray indArray2 = Nd4j.valueArrayOf(new int[] {2, 3}, 888); disp("全是指定值(888)的矩阵", indArray2);

  • 执行结果
全是指定值(888)的矩阵 维度 : 2 形状 : [2, 3] 完整矩阵 : [[888.0000,888.0000,888.0000], [888.0000,888.0000,888.0000]]

  1. rand:随机矩阵(0到1之间的随机数)
// 创建2行3列的随机矩阵 INDArray indArray2 = Nd4j.rand(2, 3); disp("随机矩阵", indArray2);

  • 执行结果
随机矩阵 维度 : 2 形状 : [2, 3] 完整矩阵 : [[0.7236,0.5159,0.1908], [0.9458,0.4413,0.4173]]

  1. 随机高斯分布的矩阵(平均值为0,标准差为1):randn
// 创建2行3列的随机高斯分布矩阵 INDArray indArray3 = Nd4j.randn(2, 3); disp("随机高斯分布矩阵", indArray3);

  • 执行结果
随机高斯分布矩阵 维度 : 2 形状 : [2, 3] 完整矩阵 : [[-0.4287,-0.5790,0.5004], [-0.5122,1.0551,-0.1998]]

  1. 等差数列:linspace
// 创建等差数列, // 从1到6、长度为10的等差数列 INDArray indArray4 = Nd4j.linspace(1,6, 10); disp("等差数列", indArray4);

  • 执行结果
等差数列 维度 : 1 形状 : [10] 完整矩阵 : [1.0000,1.5556,2.1111,2.6667,3.2222,3.7778,4.3333,4.8889,5.4444,6.0000]

  1. 根据数组创建矩阵:create(float[] data, int[] shape)
// 根据数组创建2行3列的矩阵 INDArray indArray6 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[]{2,3}); disp("根据数组创建矩阵", indArray6);

  • 执行结果
根据数组创建矩阵 维度 : 2 形状 : [2, 3] 完整矩阵 : [[1.0000,2.0000,3.0000], [4.0000,5.0000,6.0000]]

  1. 三维矩阵
// 三维矩阵 INDArray indArray7 = Nd4j.valueArrayOf(new int[] {2, 2, 3}, 888); disp("三维矩阵", indArray7);

三维矩阵
维度 : 3
形状 : [2, 2, 3]
完整矩阵 :
[[[ 888.0000, 888.0000, 888.0000],
[ 888.0000, 888.0000, 888.0000]],
[[ 888.0000, 888.0000, 888.0000],
[ 888.0000, 888.0000, 888.0000]]]
9. 创建正方形二维矩阵,并且对角线上的元素值都是1.0:

// 创建3行3列的二维矩阵,对角线值为1.0
INDArray indArray10 = Nd4j.eye(3);
disp("3*3矩阵,且对角线都是1.0", indArray10);
- 执行结果

3*3矩阵,且对角线都是1.0
维度 : 2
形状 : [3, 3]
完整矩阵 :
[[ 1.0000, 0, 0],
[ 0, 1.0000, 0],
[ 0, 0, 1.0000]]
### 读操作- 接下来试试读取相关的操作,回顾前面用数组创建的2行3列的矩阵,内容如下:

[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
1. 读取指定位置:

System.out.println("读取第一行第一列位置的值 : " + indArray6.getDouble(1,1));
- 执行结果

读取第一行第一列位置的值 : 5.0
2. 指定行:

System.out.println("读取第一行 : " + indArray6.getRow(1));
- 执行结果

读取第一行 : [ 4.0000, 5.0000, 6.0000]
3. 指定列:

System.out.println("读取第二列 : " + indArray6.getColumn(2));
- 执行结果

读取第二列 : [ 3.0000, 6.0000]
4. 指定多列:

System.out.println("读取第二、三列 : " + indArray6.getColumns(1,2));
- 执行结果

读取第二、三列 : [[ 2.0000, 3.0000],
[ 5.0000, 6.0000]]
### 写操作- 接下来试试读取相关的操作,回顾前面用数组创建的2行3列的矩阵,内容如下:

[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
1. 修改指定位置,查看了源码后发现,put方法内容实际上是在调用putScalar方法:

indArray6.put(1,1, 123);
indArray6.putScalar(0,0, 456);
disp("a. 修改后", indArray6);
- 执行结果

a. 修改后
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 456.0000, 2.0000, 3.0000],
[ 4.0000, 123.0000, 6.0000]]
2. 修改整行:

// 准备一维数组
INDArray row1 = Nd4j.create(new float[] {9,8,7});
// 用一维数组替换矩阵的整行
indArray6.putRow(1, row1);
disp("b. 修改后", indArray6);
- 执行结果

b. 修改后
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 456.0000, 2.0000, 3.0000],
[ 9.0000, 8.0000, 7.0000]]
### 矩阵计算- 矩阵计算,咱们从最基本的四则运算开始 1. 加减乘除,入参是一个标量,会与矩阵中的所有元素做计算

// 准备好原始数据,2行3列矩阵
indArray6 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 加法
disp("加法", indArray6.add(1));
// 减法
disp("减法", indArray6.sub(1));
// 乘法
disp("乘法", indArray6.mul(2));
// 除法
disp("除法", indArray6.div(2));
- 执行结果

加法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 3.0000, 4.0000],
[ 5.0000, 6.0000, 7.0000]]
减法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 0, 1.0000, 2.0000],
[ 3.0000, 4.0000, 5.0000]]
乘法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 4.0000, 6.0000],
[ 8.0000, 10.0000, 12.0000]]
除法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 0.5000, 1.0000, 1.5000],
[ 2.0000, 2.5000, 3.0000]]
2. 前面的add方法,执行完毕后会生成一个新的NDArray实例,不影响原对象,但如果调用的是addi,就会修改原对象的内容:

INDArray indArray8 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("替换前", indArray8);
indArray8.addi(1);
disp("替换后", indArray8);
- 执行结果

替换前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
替换后
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 3.0000, 4.0000],
[ 5.0000, 6.0000, 7.0000]]
3. 展开:Nd4j.toFlattened,2行3列的二维矩阵展开后成了一维的

disp("展开", Nd4j.toFlattened(indArray6));
- 执行结果

展开
维度 : 1
形状 : [6]
完整矩阵 :
[ 1.0000, 2.0000, 3.0000, 4.0000, 5.0000, 6.0000]
4. 转换:reshape,相当于使用原有数据,但是换一个shape入参

disp("转换", indArray6.reshape(3,2));
- 执行结果

转换
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 2.0000],
[ 3.0000, 4.0000],
[ 5.0000, 6.0000]]
5. 提取正方形矩阵的对角线:diag,得到的结果是一维的

// 创建一个人3行3列的正方形矩阵
INDArray indArray9 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6, 7, 8, 9}, new int[] {3,3});
disp("3*3矩阵", indArray9);
// 提取正方形矩阵的对角线
disp("3*3矩阵的对角线", Nd4j.diag(indArray9));
- 执行结果如下图,diag方法得到了源对象的对角线![在这里插入图片描述](/img/bVcVvxp)6. 基于源矩阵形状创建新矩阵,且值都相通(入参值),然后用此新矩阵减去源矩阵:rsub

// 初始化一个2行3列的矩阵
INDArray indArray11 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 参考indArray12的结构创建一个2行3列的矩阵,该矩阵的所有元素的值都等于10(入参),
// 然后,用该矩阵减去indArray11,结果作为rsub方法的返回值返回
INDArray indArray12 = indArray11.rsub(10);
disp("rsub方法", indArray12);
- 执行结果如下,可见所有值都是10减去源矩阵对应位置的值:

rsub方法
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 9.0000, 8.0000, 7.0000],
[ 6.0000, 5.0000, 4.0000]]
7. 两个矩阵相加:add,两个形状相通的矩阵,同样位置的值相加:

INDArray indArray13 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
INDArray indArray14 = Nd4j.create(new float[] {1, 1, 1, 1, 1, 1}, new int[] {2,3});
disp("矩阵相加", indArray13.add(indArray14));
- 执行结果

矩阵相加
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 2.0000, 3.0000, 4.0000],
[ 5.0000, 6.0000, 7.0000]]
8. 叉乘:mmul,2行3列乘以3行2列,

INDArray indArray13 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
INDArray indArray15 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {3,2});
disp("2行3列", indArray13);
disp("3行2列", indArray15);
disp("2行3列矩阵与3行2列矩阵的叉乘", indArray13.mmul(indArray15));
- 执行结果,可见,2行3列矩阵的每一行的元素,都和3行2列矩阵每一列的元素做两两相乘再相加,一共四个值,所以结果就是2行2列的矩阵:![在这里插入图片描述](/img/bVcVvxq)9. 矩阵所有元素值累加:sum

INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 总和
double sum = indArray16.sum().getDouble();
System.out.println("矩阵元素累加和 : " + sum);
- 执行结果

矩阵元素累加和 : 21.0
10. 转置操作(不改变源对象):transpose

INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("转置前", indArray16);
disp("转置操作", indArray16.transpose());
disp("transpose操作后的原值(不变)", indArray16);
- 执行结果,可见2行3列转置后变成了3行2列,但是生成了新对象,而源对象未改变

转置前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
转置操作
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
transpose操作后的原值(不变)
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
11. 转置操作(源对象被改变):transposei

INDArray indArray16 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
disp("转置前", indArray16);
disp("转置操作", indArray16.transposei());
disp("transposei操作后的原值(已变)", indArray16);
- 执行结果

转置前
维度 : 2
形状 : [2, 3]
完整矩阵 :
[[ 1.0000, 2.0000, 3.0000],
[ 4.0000, 5.0000, 6.0000]]
转置操作
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
transposei操作后的原值(已变)
维度 : 2
形状 : [3, 2]
完整矩阵 :
[[ 1.0000, 4.0000],
[ 2.0000, 5.0000],
[ 3.0000, 6.0000]]
12. 横向拼接:hstack,要求两个矩阵行数相等

// 2行3列
INDArray indArray17 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 2行1列
INDArray indArray18 = Nd4j.create(new float[] {1, 2}, new int[] {2,1});
disp("源矩阵", indArray17);
disp("拼接上的矩阵", indArray18);
// 2行3列的矩阵,横向拼接一列后,变成了2行4列
disp("横向拼接(每一行都增加一列)", Nd4j.hstack(indArray17, indArray18));
- 执行结果如下图,可见是把indArray18 横着拼到indArray17 的右侧![在这里插入图片描述](/img/bVcVvxr)13. 纵向拼接:vstack,要求两个矩阵列数相等

// 2行3列
INDArray indArray19 = Nd4j.create(new float[] {1, 2, 3, 4, 5, 6}, new int[] {2,3});
// 1行3列
INDArray indArray20 = Nd4j.create(new float[] {1, 2, 3}, new int[] {1,3});
disp("源矩阵", indArray17);
disp("拼接上的矩阵", indArray18);
// 2行3列的矩阵,纵向拼接一行,变成了3行3列
disp("纵向拼接(增加一行)", Nd4j.vstack(indArray19, indArray20));
- 执行结果如下图,可见是把indArray20放在了indArray19的底部![在这里插入图片描述](/img/bVcVvxs)- 以上就是矩阵操作的常用API了,希望能给您一些参考,在深度学习的开发中更熟练的操作数据### 你不孤单,欣宸原创一路相伴 1. [Java系列](https://xinchen.blog.csdn.net/article/details/105068742) 2. [Spring系列](https://xinchen.blog.csdn.net/article/details/105086498) 3. [Docker系列](https://xinchen.blog.csdn.net/article/details/105086732) 4. [kubernetes系列](https://xinchen.blog.csdn.net/article/details/105086794) 5. [数据库+中间件系列](https://xinchen.blog.csdn.net/article/details/105086850) 6. [DevOps系列](https://xinchen.blog.csdn.net/article/details/105086920)### 欢迎关注公众号:程序员欣宸 > 微信搜索「程序员欣宸」,我是欣宸,期待与您一同畅游Java世界...

    推荐阅读