嘿，朋友们！今天咱们来聊聊Numpy的运算符和批处理，这玩意儿不仅仅是代码里的“加减乘除”，它可是深度学习中“底层打工人”的必备技能！你可能会问，这些运算符到底有啥用？别急，听我慢慢道来。

首先，Numpy的星乘（*）可不是简单的乘法，它是逐元素相乘，就像超市里每个商品都打折一样，每个数字都要“享受”这个待遇。比如你有两个数组，A和B，星乘就是让A的每个元素和B的对应元素“单挑”，最后得出一份“战果”。你看，代码里A * B和np.multiply(A, B)效果一样，是不是很酷？

问题来了，为啥我们要用星乘而不是普通的乘法呢？这就涉及到了批处理的概念。想象一下，你有一堆数据要处理，难道你要一个个手动操作吗？当然不！Numpy的广播机制就是你的“救星”，它能让一个标量（比如2.0）和整个数组“谈一场恋爱”，让每个元素都受益。比如A*2.0，数组A的每个元素都翻倍了，这不就是“批量加工”嘛！

更进一步，激活函数也能用到广播机制。比如sigmoid、relu、softmax这些常见的“网红函数”，它们背后的计算逻辑就是靠着Numpy的广播机制实现“一招鲜，吃遍天”。你只需定义好函数，Numpy就能帮你把一堆数据“自动处理”，省时省力，简直是程序员的“福音”！”

所以，别小看这些运算符，它们可是你踏入深度学习领域的“敲门砖”。掌握了这些，你就能像“魔法师”一样，轻松处理海量数据，让代码跑得更快、更高效。怎么样，是不是有点心动了？赶紧去试试吧，说不定下一个“AI大神”就是你！

这个专栏名为《Numpy从入门到精通》，顾名思义，是记录自己学习numpy的学习过程，也方便自己之后复盘！为深度学习的进一步学习奠定基础！希望能给大家带来帮助，爱睡觉的咋祝您生活愉快！ 这一篇介绍《Numpy从入门到精通—— Numpy运算符|批处理》

在前面几次分享中，我们学习了Numpy的矩阵生成，数据读存、获取、广播机制等，这一次我们进一步学习Numpy的算数运算符以及批处理！

一.星乘（*）

星乘也称为对应元素相乘、逐元素相乘，对应的函数为np.multiply()，输出的大小与相乘数组或者矩阵的大小一致：

• numpy.multiply(x1,x2,/,out=None,*,where=True,casting=“same_kind”,order=“k”,dtype=None,subok=True[,signature,extobj])

下面用程序进行说明：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_14.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/21 20:41 
"""
import numpy as np
A = np.array([[1, 2], [-1, 4]])
B = np.array([[2, 0], [3, 4]])
print(A * B)
#或另一种表示方法
print(np.multiply(A, B))

输出为：

[[ 2  0][-3 16]]
[[ 2  0][-3 16]]

可以看到，np.multiply()与*效果是一样的，numpy不仅可以对数组进行对应的元素相乘，也可以与单一的数值进行运算。运算时，numpy数组的每一个元素与标量进行运算，这也是广播机制的应用。下面通过代码进行说明：

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：numpy学习 
@File    ：task_15.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/4/21 20:51 
"""
import numpy as np
A = np.array([1,2,3,4,5,6])
print(A*2.0)
print(A/2.0)

输出为下：

[ 2.  4.  6.  8. 10. 12.]
[0.5 1.  1.5 2.  2.5 3. ]

推而广之，一些激活函数也是可以基于np的广播机制特性的。

#!/usr/bin/env python

# -*- coding: UTF-8 -*-

"""

@Project ：numpy学习

@File    ：task_16.py

@IDE     ：PyCharm

@Author  ：咋

@Date    ：2023/4/21 20:56

"""

import numpy as np

X = np.random.rand(2, 3)def sigmoid(x):return 1 / (1 + np.exp(-x))def relu(x):return np.maximum(0, x)def softmax(x):return np.exp(x) / np.sum(np.exp