大家好，欢迎来到IT知识分享网。

欢迎访问我的GitHub

这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos

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：

• 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：

• 创建操作：

• 读操作：

• 写操作：

• 矩阵计算：

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/blog_demos)：

• 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-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：

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：

<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <parent> <artifactId>dlfj-tutorials</artifactId> <groupId>com.bolingcavalry</groupId> <version>1.0-SNAPSHOT</version> </parent> <modelVersion>4.0.0</modelVersion> <artifactId>ndarray-experience</artifactId> <dependencies> <dependency> <groupId>org.nd4j</groupId> <!--注意要用nd4j-native-platform，否则容器启动时报错：no jnind4jcpu in java.library.path--> <artifactId>${nd4j.backend}</artifactId> </dependency> <dependency> <groupId>ch.qos.logback</groupId> <artifactId>logback-classic</artifactId> </dependency> </dependencies> </project> 

• 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

• 全零矩阵：

// 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]]

• 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]] 

• 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]]

• 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]]

• 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]]

• 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] 

• 三维矩阵

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

• 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]]

• 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

• 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]

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]

• 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]]

• 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]]

• 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

• 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]] 

• 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); i ndArray8.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]]

• 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]

• 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]]

• 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

• 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]]

• 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]] 

• 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：

• 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

• 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]] 

• 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]] 

• 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

• 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

• 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

欢迎关注头条号：程序员欣宸

• 学习路上，你不孤单，欣宸原创一路相伴…