Python 的特性允許你使用廣播（ broadcasting ）功能，這是 Python 的 numpy 程序語言庫中最靈活的地方。而我認(rèn)為這是程序語言的優(yōu)點(diǎn)，也是缺點(diǎn)。優(yōu)點(diǎn)的原因在于它們創(chuàng)造出語言的表達(dá)性， Python 語言巨大的靈活性使得你僅僅通過一行代碼就能做很多事情。但是這也是缺點(diǎn)，由于廣播巨大的靈活性，有時候你對于廣播的特點(diǎn)以及廣播的工作原理這些細(xì)節(jié)不熟悉的話，你可能會產(chǎn)生很細(xì)微或者看起來很奇怪的 bug 。例如，如果你將一個列向量添加到一個行向量中，你會以為它報出維度不匹配或類型錯誤之類的錯誤，但是實(shí)際上你會得到一個行向量和列向量的求和。

在 Python 的這些奇怪的影響之中，其實(shí)是有一個內(nèi)在的邏輯關(guān)系的。但是如果對 Python 不熟悉的話，我就曾經(jīng)見過的一些學(xué)生非常生硬、非常艱難地去尋找 bug 。所以我在這里想做的就是分享給你們一些技巧，這些技巧對我非常有用，它們能消除或者簡化我的代碼中所有看起來很奇怪的 bug 。同時我也希望通過這些技巧，你也能更容易地寫沒有 bug 的 Python 和 numpy 代碼。

為了演示 Python-numpy 的一個容易被忽略的效果，特別是怎樣在 Python-numpy 中構(gòu)造向量，讓我來做一個快速示范。首先設(shè)置，這樣會生成存儲在數(shù)組??中的5個高斯隨機(jī)數(shù)變量。之后輸出?，從屏幕上可以得知，此時??的 shape （形狀）是一個的結(jié)構(gòu)。這在 Python 中被稱作 一個一維數(shù)組 。它既不是一個行向量也不是一個列向量，這也導(dǎo)致它有一些不是很直觀的效果。舉個例子，如果我輸出一個轉(zhuǎn)置陣，最終結(jié)果它會和看起來一樣，所以和的轉(zhuǎn)置陣最終結(jié)果看起來一樣。而如果我輸出和的轉(zhuǎn)置陣的內(nèi)積，你可能會想：乘以的轉(zhuǎn)置返回給你的可能會是一個矩陣。但是如果我這樣做，你只會得到一個數(shù)。

所以我建議當(dāng)你編寫神經(jīng)網(wǎng)絡(luò)時，不要在它的 shape 是還是或者一維數(shù)組時使用數(shù)據(jù)結(jié)構(gòu)。相反，如果你設(shè)置??為，那么這就將置于5行1列向量中。在先前的操作里??和??的轉(zhuǎn)置看起來一樣，而現(xiàn)在這樣的??變成一個新的??的轉(zhuǎn)置，并且它是一個行向量。請注意一個細(xì)微的差別，在這種數(shù)據(jù)結(jié)構(gòu)中，當(dāng)我們輸出??的轉(zhuǎn)置時有兩對方括號，而之前只有一對方括號，所以這就是1行5列的矩陣和一維數(shù)組的差別。

如果你輸出??和??的轉(zhuǎn)置的乘積，然后會返回給你一個向量的外積，是吧？所以這兩個向量的外積返回給你的是一個矩陣。

就我們剛才看到的，再進(jìn)一步說明。首先我們剛剛運(yùn)行的命令是這個?，而且它生成了一個數(shù)據(jù)結(jié)構(gòu)?，是，一個有趣的東西。這被稱作??的一維數(shù)組，同時這也是一個非常有趣的數(shù)據(jù)結(jié)構(gòu)。它不像行向量和列向量那樣表現(xiàn)的很一致，這也讓它的一些影響不那么明顯。所以我建議，當(dāng)你在編程練習(xí)或者在執(zhí)行邏輯回歸和神經(jīng)網(wǎng)絡(luò)時，你不需要使用這些一維數(shù)組。

相反，如果你每次創(chuàng)建一個數(shù)組，你都得讓它成為一個列向量，產(chǎn)生一個向量或者你讓它成為一個行向量，那么你的向量的行為可能會更容易被理解。所以在這種情況下，等同于。這種表現(xiàn)很像?，但是實(shí)際上卻是一個列向量。同時這也是為什么當(dāng)它是一個列向量的時候，你能認(rèn)為這是矩陣；同時這里?將要變成，這就像行向量一樣。所以當(dāng)你需要一個向量時，我會說用這個或那個( column vector or row vector )，但絕不會是一維數(shù)組。

我寫代碼時還有一件經(jīng)常做的事，那就是如果我不完全確定一個向量的維度( dimension )，我經(jīng)常會扔進(jìn)一個斷言語句( assertion statement )。像這樣，去確保在這種情況下是一個向量，或者說是一個列向量。這些斷言語句實(shí)際上是要去執(zhí)行的，并且它們也會有助于為你的代碼提供信息。所以不論你要做什么，不要猶豫直接插入斷言語句。如果你不小心以一維數(shù)組來執(zhí)行，你也能夠重新改變數(shù)組維數(shù)?，表明一個數(shù)組或者一個數(shù)組，以致于它表現(xiàn)更像列向量或行向量。

我有時候看見學(xué)生因?yàn)橐痪S數(shù)組不直觀的影響，難以定位bug而告終。通過在原先的代碼里清除一維數(shù)組，我的代碼變得更加簡潔。而且實(shí)際上就我在代碼中表現(xiàn)的事情而言，我從來不使用一維數(shù)組。因此，要去簡化你的代碼，而且不要使用一維數(shù)組?？偸鞘褂??維矩陣（基本上是列向量），或者??維矩陣（基本上是行向量），這樣你可以減少很多 assert 語句來節(jié)省核矩陣和數(shù)組的維數(shù)的時間。另外，為了確保你的矩陣或向量所需要的維數(shù)時，不要羞于? reshape ?操作。

總之，我希望這些建議能幫助你解決一個 Python 中的bug，從而使你更容易地完成練習(xí)。

?

?

了解更多？

微信公眾號：freeinvest