我們推薦使用向量化的形式進行編碼，盡可能避免使用for迴圈而採用向量化形式。
對於機器學習領域廣為使用的python語言而言，沒有內建對於矩陣、向量的支援，畢竟python是一門通用語言。但是，借助一些第三方庫（數值線性代數庫）如下面的numpy，我們也可以很容易的處理向量數值運算。
numpy是numerical python的縮寫，是python生態系統中高效能科學計算和資料分析所需的基礎軟體包。 它是幾乎所有高階工具（如pandas和scikit-learn）的基礎。tensorflow使用numpy陣列作為基礎構建模組，在這些模組的基礎上，他們為深度學習任務（大量進行長列表/向量/數值矩陣的線性代數運算）構建了張量物件和圖形流。
許多numpy運算都是用c實現的，相比python中的迴圈，速度上有明顯優勢。所以採用向量化程式設計，而不是普通的python迴圈，最大的優點是提公升效能。另外相比python迴圈巢狀，採用向量化的**顯得更加簡潔。
1）例1：進行乙個兩個一位陣列的點積計算：
# -*- coding: utf-8 -*
import time
import numpy as np
a = np.random.rand(
100000
)# rand(x): 生成乙個1行100000列的矩陣
b = np.random.rand(
100000
)tima = time.time(
)c = np.dot(a, b)
# dot：如果是一維矩陣/一位陣列，那麼就是點積，如果是多維，就是矩陣相乘
timb = time.time(
)print
("c : %f"
% c)
print
("vectorized version : "
+str
(1000
*(timb-tima)))
# 使用numpy內建的線性代數函式來進行向量化計算
c =0.0
tima = time.time(
)for i in
range
(100000):
c += a[i]
*b[i]
timb = time.time(
)print
("c : %f"
% c)
print
("for loop : "
+str
(1000
*(timb-tima)))
# 使用for迴圈進行數值計算
c :
25016.909886
vectorized version :
1.0001659393310547
c :25016.909886
for loop :
133.00776481628418
總之，無論你有多長的資料列表並需要對它們進行數學轉換，都強烈考慮將這些python資料結構（列表或元組或字典）轉換為numpy.ndarray物件並使用固有的向量化功能。
2）例2：梯度下降的同步更新規則
假設n=2，那麼梯度下降的同步更新規則就要求三個引數進行同步的計算，即中間的時間間隔極短，那麼可以使用向量化的計算來使得時間消耗高度減短。
將三個引數看成乙個向量，將阿爾法後面的部分看成乙個向量delta。就可以將這三個式子簡化成一行的向量（不同維度）上的運算，即：
相應的python的實現：待完成…
python學習014 正則
python正規表示式基礎 正規表示式，又稱規則表示式 英語 regular expression，在 中常簡寫為regex regexp或re 電腦科學的乙個概念。正規表示式通常被用來檢索 替換那些符合某個模式 規則 的文字。使用場景 在python中使用正則需要匯入re包 import re首先...
python機器 python機器學習
熱詞系列 打卡 mark一下，以後看 每天打卡學習 1 python 基礎 bv1lt4y1u7un 2 python 高階 bv1jz411b7dh 3 python 資料庫 bv1pg4y1a7a7 4 python gui與坦克大戰 bv1je411f72o 5 python numpy bv...
python機器學習
在sklearn庫中的load itis包含著鳶尾花分類的所有資料 呼叫load iris函式載入資料 import mglearn import numpy as np from sklearn.datasets import load iris import pandas as pd from ...