接上一期jupyter结尾的一小部分：
这四个用好了，排版得好你的代码看起来就像一篇文章一样~
导出功能：
NumPy数值计算基础
NumPy数组对象ndarray（存储单一数据类型的多维数组）:
| 属性 | 说明 |
| ndim | 返回int，表示数组的维数。 |
| shape | 返回tuple，表示数字的尺寸。 |
| size | 返回int，表示数组的元素总和。 |
| dtype | 返回data-type。 |
| itemsize | 返回int。 |
数组创建：numpy.array()
例如，多维数组的创建：
numpy生成数组的方式：
①np.linspace()【等差】（生成的是浮点数，若需要整型，需要手动指定数据类型--> 'dtype = int'）
np.linspace(0,10,10,endpoint=False)
②np.logspace()【等比】
np.logspace(0,10,10,endpoint=False,base=2)
np.linspace()与np.logspace()之间的关系：（放两张图品味一下）
10**np.linspace(0,10,10,endpoint=False)
③np.zeros()【生成全是0的数组，只有一个参数shape】
np.zeros(2)
跟她用法差不多的还有np.ones:【直接看图，一看就懂】
④np.eye()对角矩阵
np.eye(9,k=-3)
跟它类似的还有np.diag():
数组数据类型转化:
生成随机数的常用四种方式
①random.random(),无约束条件下生成0~1的随机数：
np.random.random(size=(2,3))
②random.rant(),生成服从均匀分布的随机数：
np.random.rand(2,3,2)
在深度学习的Dropout正则化方法中，可以用于生成dropout随机向量（dl），例如（keep_prob表示保留神经元的比例）：dl = np.random.rand(al.shape[0],al.shape[1]) < keep_prob
③random.randn(),生成服从正态分布的随机数：
np.random.randn(2,3,2)
④np.random.randint(),生成指定范围内的随机数：
np.random.randint(0,10,size=(2,3))
数组的索引：
一维数组
二维数组：
变换数组形态：
矩阵合并：【horizontal水、vertical垂】
