教程是本人学习吴恩达老师DeepLearing系列课程中整理的最为详细的学习笔记。学习视频主要来自B站

?，以及DeepLearning官方网站。该系列课程总共有180多个，我会将学习笔记陆续分享出来，为有兴趣深度学习的同仁提供便利。再次由衷感谢吴恩达老师的精彩讲解和无私奉献！

特别说明：图片来源于吴恩达老师视频截图。

附文本：

Python让你能够使用广播运算，一般来说python numpy程序语言给你提供了很高的灵活性，我想，这算是一门编程语言的优势，同时也是弱势。我认为是一种优势，是因为它让语言的表现力更强，语言的灵活性很大，就是说，你可以用一行代码完成很多运算。但也有弱势，因为广播和这么大的灵活性，有时可能会引入非常细微的错误，非常奇怪的bug。如果你不熟悉所有复杂的广播运作的方式，比如，你想用列向量，把它加到一个行向量，你可能会预计它会报错，说维度不匹配，或者类型错误之类的。但实际上，你会得到一个行向量和列向量求和之后的矩阵。python的这些奇怪的效果有其内在的逻辑，但是如果你不熟悉python，我看过很多学生写出很奇怪非常难调试的bug。所以我想在这个视频里，跟你分享一些技巧，对我来说非常有用，可以排除、简化或者说消灭我自己代码里各种奇奇怪怪的bug，我希望通过这些提示和技巧，你可以更容易写出无bug的python和numpy代码。

　　为了说明python-numpy不太直观的效果，尤其是在python-numpy中构建向量时的怪事，我很快展示一下。我们令a = np.random.randn(5)，这生成了5个随机高斯变量，储存在数组a中。我们print一下，看看a的形状是怎么样的。a.shape打印出来是(5,)结构。所以这是所谓的python秩为1的数组，它既不是行向量也不是列向量。这导致它有些略微不直观的效果。所以比如我们把a转置打印出来，看起来和a还是一样的。如果我们打印一下a和a的转置的内积，你可能觉得a乘以a转置，或者说外积可能会得到一个矩阵，但实际这样做得到的是一个数字。

　　我建议，当你编写神经网络程序时，你就不要用这种数据结构，其中形状是(5,)或者(n,）这种秩为1的数组。相反，如果你令a为这种5×1矩阵的话，那么就可以令a变成5×1列向量。而之前a和a的转置看起来是一样的，但现在看看a转置就是一个行向量了。注意一个微妙的区别，在这个数据结构中，有两个方括号，当我们打印a转置时，以前这里只有一个方括号，所以这（两个方括号）是区别这是一个1×5矩阵，而不是这些秩为1的数组（1个方括号）。如果你打印出来，比如a和a转置的乘积，这样就会得到一个向量的外积，对吧？所以，向量的外积可以得到一个矩阵。现在我们仔细看看这里见到的东西。我们刚才跑的第一个命令，是这个。这创建了一个数据结构，a.shape就是这个奇怪的(5,) ，有时这叫秩为1的数组，这是一个非常有趣的数据结构，它的行为和行向量和列向量并不一样，所以有些效果没有那么直观。

　　那么我推荐的是，当前你进行编程练习时，或者实现神经网络的logistic回归时，你就不用这些秩为1的数组。相反，每次创建数组时，你要把它定义成列向量，所以这创建一个5×1向量，或者把它变成一个行向量，那么你的向量的行为也许更容易理解一些。所以在这种情况下，a.shape就等于(5,1)。所以这个行为很像，但实际上这就是一个列向量。所以你可以将它看成是5×1矩阵，它是一个列向量。而下面这个a.shape是（1,5）,然后这里的行为和行向量一致，所以当你需要一个向量时，就用这两种形式，不要再用秩为1的数组。

　　还有一件事，如果在代码中做了很多事情，已经记不清了一个向量具体的维度是多少，我们可以用assert()这样一个声明，确保这是一个向量，所以这是一个列向量。这些assert()执行起来很快，它们也可以看成是代码的文档，所以不要犹豫，你觉得需要的时候就使用assert()声明。

　　最后，如果由于某种原因，你得到了一个秩为1的数组，你可以使用将一个5×1数组或者1×5数组 reshape成一个列向量或行向量。它（列向量和行向量）的行为更好预测。

　　所以，有时候看到学生很难调试一些错误，都来自于秩为1数组的反直觉行为。通过消除代码中的秩为1的数组，我们可以让代码变得更加简单。而我其实并没有觉得这样写代码限制太多。我只是从来不会用秩为1的数组。所以重点在于，要简化你的代码，不要使用秩为1的数组，始终使用n×1的矩阵，基本上是列向量，或者1×n矩阵，基本上是行向量。随意插入assert()声明，来仔细检查你的矩阵和数组的维度。不要害怕调用reshape，来确保你的矩阵或向量是你需要的维度。

　　所以我希望这一套建议，能帮助你消除python代码中的错误，并使习题更容易完成。