今天是新專欄《AI白身境》的第三篇，所謂白身，就是什么都不會，還沒有進入角色。
上一篇給大家介紹了如何正確使用Linux，如何利用shell，vim，git這三大神器。相信大家也掌握的差不多了，今天就和大家分享下對于python，我們應該如何掌握，如何正確把它和深度學習完美的結合起來。
作者 | 湯興旺 言有三
編輯 | 湯興旺 言有三
01
基礎操作
人生苦短，必須學好python！python現在火的程度已經不需要我多言了，它為什么為火，我認為有兩個原因，第一是人工智能這個大背景，第二是它真的太容易學了，沒有任何一門語言比它好上手，接下來我將和大家分享下python的基礎操作。另外請注意，我的所有操作都是基于python3！
1.1 python核心內容之函數
如果你想要學好python，務必學好function，不然就相當于沒學過python。
1.1.1 函數定義
在python函數定義時有五個要點，分別是def、函數名、函數體、參數、返回值、以及兩個英文版符號：小括號（括號內為參數）和冒號。下面對這5點分別解釋下：
def：函數關鍵字。必須要有，系統(tǒng)看到它，就知道下面是個函數了。
函數名：函數的名稱。就是給函數起了個名字，當你調用函數時，用函數名就可以直接調用了。
函數體：函數中進行的具體操作。就是你這個函數想要實現的功能。
參數：提供給函數體。
返回值：當函數執(zhí)行完畢后，可以給調用者返回想要的數據。
下面通過一個具體的實例來說明下：
def get_image(picture_path):
img = cv2.imread("picture_path")
return img
上面實例中，get_image是這個函數的函數名，這個函數的參數是picture_path，就是圖片的路徑，這個參數會傳到函數體中。如果你的圖片路徑是d://01.jpg，這時候函數體就會變成img = cv2.imread("d://01.jpg"),最后返回圖片。
1.1.2 函數參數
相信你已經知道函數應該如何定義了，接下來再說說函數中最難理解也是最重要的一點，那就是函數參數。
首先我們說說位置參數。
def sum(x):
z = x+x
return z
>>>sum(10)
20
這里的x可以認為是一個位置參數，顧名思義，x先占一個位置，當給予它一個值時，它會傳到函數體中，注意像這種位置參數，務必要給予一個值，不然程序會報錯。
接下來說說默認參數。
def sum(x,y=12):
z = x+y
return z
>>>sum(10)
22
>>>sum(10,13)
23
這個實例中，y = 12就是個默認參數，當該參數沒有傳入相應的值時，該參數就使用默認值。但有點需要注意：默認參數必須在位置參數后面，否則會報錯。
哈哈，報錯了，千萬不要放這樣的錯誤喲，想避免這樣的錯誤很簡單，就從你定義的順序從前往后寫就行。
然后再說說可變參數。
在使用python函數時，有時候我們不知道我們需要傳入多少個參數，于是就有了可變參數的這個概念。為了更好的理解這個概念，先拋出一個問題：計算a+b+c+d+...的和，因為不知道有幾個數字，所以是個可變的問題。那么如何用python函數來解決這個問題呢，如下：
def sum(*numbers):
sum = 0
for n in numbers:
sum =sum +n*n
return sum
>>>sum(10,2,12,3,4)
我們在參數前面加了一個*號。這樣這個參數就變成了可變參數。在調用該函數時，可以傳入任意個參數，包括0個參數。
最后說一下關鍵字參數。
什么是關鍵字參數，對于這個概念我們先看下面的代碼：
def penson(name,age,**kw):
print('name:',name,'age:',age,'other:',kw)
>>>person('zhang san',24,city='changchun')
name:zhang san age:24 other:{'city':'changchun'}
通過上面的例子你應該明白了關鍵字參數是什么了吧，實際上就是你傳入的參數比你之前定義的參數會多，注意位置參數必須要給它傳值。
這就是python函數的一些基本的方法，更復雜的函數實際上也就是上面的組合而已，只要多加練習，一定能夠很好的掌握它。
1.2 python 縮進規(guī)則
你可能已經注意到上面我寫python函數時用到了許多縮進，你可能也會問自己為什么要采用縮進，應該如何縮進這些問題，下面請看我一一道來。
1.2.1 python縮進的由來
我們在大學時可能都學過c語言，在c中主要通過{}來區(qū)分代碼快，但我們初學者往往忘記打{}，而且花括號多了，我們就暈了。而python就不會出現這種問題，python中的縮進可以理解為c中的{}。我們來看下下面這個例子：
def SayHello():
print("hello world")
SayHello()
你會發(fā)現此時不能輸出任何結果，我們再看下面一段代碼
def SayHello():
print("hello world")
SayHello()
這樣就成功了，為什么會這樣呢，下面我介紹一種畫框法。如下圖所示相同顏色框在一起說明它們是屬于同一代碼塊。
這段代碼只是定義了一個函數并未執(zhí)行它，正確的寫法如下：
以后大家可以用這種畫框法確定縮進是否正確。
02
矩陣庫——NumPy
NumPy(Numerical Python) 是 Python語言的一個擴展程序庫，支持高維數組與矩陣運算，提供了大量的數學函數庫。
對于深度學習來說，高維數組我們用的很多，因此要想學好深度學習，必須對NumPy了如指掌。
2.1 ndarray對象
在NumPy中我們用ndarray表示數組，可以說它是整個庫的核心。下面我們將從以下幾個方面來理解ndarray。
2.2 創(chuàng)建數組
要想對數組進行運算操作，我們必須先創(chuàng)建個數組。方法如下：
import numpy as np#導入numpy這個包
a0 = np.array([1,2,3,4])#采用列表方式
a1 = np.array((1,2,3,4))#采用元組方式
對于多維數組的創(chuàng)建（注意中括號），如下：
import numpy as np
a = np.array([[1,2,3],[2,3,4],[4,5,6]])
上面我們創(chuàng)建的數組里面的元素都是我們指定的，那么如何自動生成數組?又如何隨機的生成一個數組呢？我們首先看第一個方法arange()，如下：
import numpy as np
a = np.arange(0,1,0.1)
在上面這個數組中，arange()的第一個值代表開始值，第二個值代表終值（不包括這個值），最后一個值代表步長（間隔），如arange(1,10,1)代表一個從0-9，步長為1的數組。這就是arange()，經常用的到！我們再看第二個方法linspace()，如下：
import numpy as np
a = np.linspace(0,10,10)
對于linspace()，它的前兩個值和arange()一樣，代表開始值和終值，但有個區(qū)別是linspace()默認包括終值，如果你不想包括終值，加上endpoint = False即可，對于第三個值它是指元素的個數，這個和arange不一樣，一定不要混淆。
最后我們再說下如何創(chuàng)建一個隨機數組。
在NumPy中有一龐大的函數庫，對于隨機數我們可以采用numpy.random模塊，該模塊中有大量和隨機數相關的函數。一些函數如下：
我們可以利用這些函數來創(chuàng)建你想要的隨機數，一些實例如下：
import numpy as np
a = np.random.rand(2,2)
b = np.random.randn(2,2)
c = np.random.randint(0,9,(2,2))
創(chuàng)建隨機數是不是很簡單，其實對于數組的創(chuàng)建還有許多方法,如下面所示：
np.zeros() :生成元素全是0的數組
np.ones()：生成元素全是1的數組
np.zeros_like(a):生成形狀和a一樣且元素全是0的數組
np.ones_like(a):生成形狀和a一樣且元素全是1的數組
...
相信通過上面的介紹你已經掌握了如何創(chuàng)建一個數組了，很好！那么我們再思考一個問題，若碰到一個元素很多的數組，但卻不知道它的形狀等參數，這時該怎么辦呢？對于這個問題我們可以通過下面的一些方法來解決。
獲取數組a的shape:a.shape
獲取數組a的元素類型：a.dtype
獲取數組a的維度：a.ndim
....
2.3 存取數組
當一個數組創(chuàng)建好后，我們有時候可能需要對一個數組中的一些具體元素進行運算，或者更改數組中一些元素的值。進行這些操作的前提是先能存取數組，為了解決這個問題，這里我們主要介紹切片法和整數列表來存取數組元素，這種方法其實也是最常見的。
import numpy as np
a = np.array([4,2,3,5,9,0,,6,8,7])
>>>[4,2,3,5,9,0,6,8,7]
對于上面這個數組，如果我想要得到5這個元素該怎么辦呢？很簡單，在ndarray中第一個元素的位置是0，本例中5在第四個位置，所以a[3] = 5。
我們還可以用切片獲取數組的一部分，如a[3:5]表示獲取第四個位置和第五個位置的元素,a[3:5]=[5,9];a[::-1]表示從最后一個元素到第一個元素，該方法省略了開始下標和結束下標，這時候開始下標就是對應第一個元素，結束下標就對應著最后一個數，-1表示步長為1，負號從后往前數。
上面說的都是一維數組的存取，我們再來說一下二維數組。其實二維數組和一維數組數組類似，只是二維數組有2個軸，所以下標自然需要2個值來表示。請看下面的實例：
在二維數組中豎軸表示第0軸，橫軸表示第1軸，讀取元素時我們通過逗號把0軸和1軸隔開，這樣就可以通過一維數組的方法來讀取，最后兩者的交集就是我們需要讀取的元素。
我們再看下三維數組，這也是最復雜的，在深度學習特征數據處理時用的是最多的。我們先創(chuàng)建一個3行5列3通道的數組，看看效果。
再來分析下這個生成的數組。我們知道這個三維數組有下圖所示的三塊，而第幾塊又代表通道的第幾行數據，圖中圈的那個塊就是通道的第2行數據，另外在每一個塊里面每行數據代表通道的第幾列數據。圖中圈的那個塊5有行數據，則代表著這個通道有5列數據。
其次在這個三維數組中，有下面圖示的這樣三列，一列代表一個通道。另外要注意所有的數據位置的下標都是從0開始。
下面我要把圖示的元素改成8該怎么辦呢？如下：
通過上面的例子你是否理解了三維數組應該怎樣存取數據了呢？理解了的話就打開vim多寫寫基本就能深刻的掌握了。
2.4 NumPy常見函數使用
現在我們已經學會了創(chuàng)建數組和數組的存取，那么我們該如何對數組進行函數運算呢，這也是NumPy的核心內容。
2.4.1 數組維度變換
我們首先說一下如何對數組的形狀進行整理，即將一個任意形狀的矩陣轉化我們想要轉化的任意形狀，當然要想完成這個操作，元素個數必須要滿足。請看下面實例：
import numpy as np
a = np.arange(0,10,1)
b = a.reshape(2,5)
print(a)
print(b)
上面的實例通過reshape()函數把一個1維數組，變成了一個2行5列的一個數組。reshape()里面的參數就是你想要轉換成的數組的形狀。再看一個實例對reshape()熟練下，如下：
import numpy as np
a = np.arange(0,10,1)
b = a.reshape(2,-1)
c = a.reshape(-1,5)
print(a)
print(b)
print(c)
b和c的結果是一樣的，而且和上一個實例的結果也一樣，這是為什么呢？其實這里面的-1代表自動生成的意思，意思就是對于b我已經指定了數組的行是2行，那么系統(tǒng)就會自動生成一個5列，因為是10個數，必須是5列，所以b和c仍然是2行5列的數組，這就是數組形狀變換。
說完數組形狀變換我們再看下如何對數組進行維度交換。請看下面實例：
import numpy as np
a = np.arange(10).reshape(2,5)
b = a.swapaxes(0,1)
print(a)
print(b)
通過上面實例我們看出通過swapaxes()將一個數組的第0軸和第1軸進行了交換，由2行5列變成了5列2行。這是二維數組的維度交換，我們再看一個三維數組的例子，如下：
import numpy as np
a = np.arange(24).reshape(2,3,4)
b = a.swapaxes(0,1)
print(a)
print(b)
這個實例我將三維數組的第0軸和第1軸進行了交換，第0軸就是我在上面2.3存取數組這一節(jié)中說的塊，第1軸就是塊中的行，下面我將我對三維數組維度交換的理解和大家分享下。
如下，我們首先將第一塊第一行的[0,1,2,3]的位置記為(1,1)，第一塊第二行的[4,5,6,7]的位置記為(1,2)，第二塊第三行的[20,21,22,23]記為(2,3)，其它幾個位置坐標類推。現在我們需要將第0軸和第1軸交換，所以第一塊第一行的[0,1,2,3]的位置變?yōu)?1,1),就是第一塊第一行；第一塊第二行的[4,5,6,7]的位置變?yōu)闉?2,1),就是第二塊第一行；第二塊第三行的[20,21,22,23]變?yōu)?3,2),就是第三塊第二行。通過這樣的理解你對上面實例輸出的結果明白了嗎？明白的話，請繼續(xù)往下學如何對數組進行降維。
對于數組降維，我們繼續(xù)通過實例來分析，如下：
import numpy as np
a = np.arange(10).reshape(2,5)
b =np.flatten()
c = a.reshape(-1)
d = a.ravel()
print(a)
print(b)
print(c)
print(d)
可以看出我們通過reshape(-1)、flatten()和ravel()函數將多維很容易就變成了1維數組。
2.4.2 堆疊數組
我們再說一下數組的堆疊，這個也是經常會用的。數組的堆疊通常有水平疊加和垂直疊加，分別用到hstack()和vstack()函數，請看下面的實例：
import numpy as np
a = np.array([1,2,3,4])
b = np.array([5,6,7,8])
c = np.hstack((a,b))
d = np.vstack((a,b))
print(c)
print(d)
通過這個例子我們也看出通過hstack()和vstack()將數組a和b堆疊成了一個數組。
上面就是我對NumPy在深度學習中最常見的幾點的介紹，其實還有許多，平時多多積累就行。
03
數據可視化——matplotlib
說完python我們再說說深度學習中用的比較多的matplotlib。matplotlib是python中最常用的可視化工具之一，用處非常大。
3.1 使用pyplot模塊繪圖
我們先通過matplotlib和NumPy繪制一個圖像。
import matplotlib.pyplot as plt
import numpy as np
x= np.linspace(0,10,100)
y=np.sin(x)
plt.figure(figsize=(8,4))
plt.plot(x,y)
plt.show()
在這個實例中，我們首先通過import matplotlib的繪圖塊pyplot，并重新命名為plt。然后用figure調出一個畫布,figsize參數指定畫布的寬度和高度，單位是英寸（1英寸為25.4毫米）。創(chuàng)建好畫布后，我們就可以用plot()在畫布上畫圖了，plot()的前兩個參數分別代表X，Y軸數據的對象。另外plot()參數還可以指定曲線的標簽，顏色，線寬等。
其實我們還能對坐標軸通過下面的方法進行一些參數的設置：
xlabel,ylabel：分別設置X，Y軸的標題文字
title：設置標題
xlim,ylim：分別設置X,Y軸的顯示范圍
legend:顯示圖例
請看下面一個標準的圖形：
接下來我們再看看如何畫直方圖，直方圖在圖像處理中經常會用到。
在用plt.hist()畫直方圖時，第一個參數是繪圖數據，這是必須要有的；另外bins代表直方圖的長條形數目，默認為10；normed表示是否將得到的直方圖向量歸一化，默認為0，代表不歸一；facecolor代表長條形的顏色；edgecolor代表長條行邊框的顏色；alpha代表透明度。
3.2 matlibplot讀取圖像
matplotlib的imread和imshow()提供了圖像的讀取和顯示功能，另外imread()從圖像文件中讀入數據得到的是一個圖像的NumPy數組。
現在我們用matlibplot讀取上面這一張可愛的貓圖，方法如下：
import matplotlib.pyplot as plt
img = plt.imread("02.jpg")
plt.imshow(img)
plt.show()
可以看出，很容易就能讀取一張圖片。我們可以通過下面一些方法查看這張圖片的屬性。
print(img.shape)
print(img.dtype)
我們再看看matplotlib讀取的圖像是不是NumPy數組，如下：
可以明顯看到這是ndarray格式，總共三個通道，分別代表RGB。
3.3 matplotlib工具欄
從上面的例子中就可以看到，當顯示一張圖片時，菜單欄自動生成了一些按鈕，這些按鈕都有各自的功能。
3.3.1 前進后退按鈕
這三個按鈕就像是我們使用的瀏覽器中的主頁和前進后退按鈕一樣，一開始這三個圖是沒有什么用的，因為它本來就處于主頁，既不能前進也不能后退，當你使用平移和縮放功能后，每一次操作就相當于在瀏覽器中點開了一個網頁一樣，這時候你就可以使用前進后退和回到最開始狀態(tài)的按鈕了。
3.3.2 平移縮放按鈕
這個按鈕也比較簡單，按住鼠標左鍵在圖片區(qū)域左右移動可以實現圖像的左右平移，上下移動就可以使圖像上下平移，按住X或者Y鍵移動即只能在X或者Y方向上平移。同理按住鼠標右鍵就是縮放。如果按住Ctrl鍵再進行上述操作，則是XY軸成比例平移或縮放。
3.3.3 縮放到指定矩形按鈕
按住鼠標左鍵或者右鍵，選定一個矩形區(qū)域，即可將圖形放大或者縮小到制定的矩形區(qū)域中。
在放大局部細節(jié)圖時經常使用。
3.3.4 設置子圖參數按鈕
點擊該按鈕可以設置子繪圖區(qū)域的長度和寬度，還可以設置各個子圖之間的距離。
3.3.5 保存按鈕
該按鈕可以將圖像保存為png、pdf等格式。
matplotlib的一些基礎知識就介紹到這里，大家一定要多加實踐，這樣才能更好的掌握。
04
必備的python庫
要想深度學習學的好，必須非常好的掌握python各種庫，這是進行深度學習的基礎。下面我和大家分享下一些常用的庫，其實上面我已經介紹了兩個了那就是NumPy和matplotlib，還有一些其他的庫，請繼續(xù)往下看。
4.1 科學計算與數據處理庫
說到科學計算和數據處理，我們可能馬上就會想到NumPy但其實還有兩個其他的庫，那就是SciPy和Pandas。
Scipy在Numpy的基礎上增加了眾多的數學計算、科學計算及工程計算中常用的模塊，例如線性代數、圖像處理等。在Scipy中的ndimage子模塊就是致力于進行圖像處理的。
Pandas是基于NumPy開發(fā)，提供了眾多更高級的數據處理工能。Pandas中包含許多用于分組，過濾和組合數據的內置方法，以及時間序列功能。
有機會我們再說說這兩個庫。
4.2 深度學習框架
目前深度學習框架已經呈百家爭鳴之態(tài)勢，有Caffe、TensorFlow、Pytorch、Keras等等，對于我們來說，不可能都能掌握，但市面上主流的框架我們還是必須要熟練的掌握。
聯系客服
