🏠 总目录📚 本教程 00 · 怎么用这份教程 →

NUMPY / 00 · 00 · 怎么用这份教程

先解决你眼前的哪个数组问题?

不必先记住整套 API。先说清这次是哪一类意外,再为自己选一段能读下去的入口。

这次只需要留下一个明确去处;完整章节、前置条件与边界都仍在下面。

route 机制示意三个入口通向不同的问题,不代表必须完成的学习顺序。结果怎么变了?04 共享 / 06 索引shape 怎么算?02 轴 / 03 广播代码怎样改?07 改写 / 08 dtype
三个入口通向不同的问题,不代表必须完成的学习顺序。
阅读范围、用时与原有实验记录
实验记录怎么读

本页原有耗时、内存、报错和环境值保留为原文记录;本轮内容审校未逐项复跑这些实验。版本、硬件、数据和测量方法都会影响结果,示例中的倍数也不是保证。需要复现时先核对依赖版本,再在同一输入下比较。

⏱ 44 分钟 | 🧭 先按问题找入口,章节可以分次读

01 / 完整解释

从症状出发,先排除走错门。

🎯 一句话

这里教你看懂数组的形状、共享内存和整块运算,定位“为什么这行 NumPy 和我想的不一样”。

会一点 Python(变量、列表、函数)即可开始;不需要先会机器学习。完全没运行过 Python,可以先到 ML 首课的运行准备,按步骤打开运行环境,再回来。

页首时间只是阅读估算,不包含安装、调试和练习,也不是开始阅读的门槛。今天只看一个例子也可以。

📊 一、先选一个你遇到的问题

你现在卡在哪里 第一站 先观察什么
不知道数组长什么样 02 · shape 和 axis 一份小数组的形状和每根轴
两个数组不能一起算 03 · 广播 从最后一维开始比较尺寸
只改了切片,原数组也变了 04 · 视图还是拷贝 两个变量是否共享数据
循环很慢 01 · 数组运算为什么可能更快 相同输入与结果下,耗时差在哪里
每次运行随机结果不同 10 · 随机数与种子 相同设置下如何复现一组抽样

只选一行开始。 其他章节地图保留在下面,需要时再查。循环不是一律错误:能否改成数组运算,要一起检查结果、耗时和内存。

⚠️ 二、两句必须先说的消歧(站内有两个同名不同物)

同一个词在不同场景里可能不是一回事。先看这一行代码在处理文本,还是在处理数组:

词 站内别处指的是 ⭐ 这一套里指的是
向量化 把文本变成 embedding 向量 把 Python 循环改写成整块数组运算(第 01 章、第 07 章)
stride 卷积核每次滑动几格 ⭐ 内存步长:在这根轴上走一格,地址要跳多少字节(第 05 章)

⚠️ 两个词在这套教程里一律是右边那个意思,后面不再重复声明。

⛔ 三、明确不做的五件事

写在这里,免得你读到一半才发现期待落空:

不做 为什么 去哪
pandas 是另一个题(DataFrame / 索引对齐 / groupby 是一整套自己的语义),需要单独理解表的语义 本板块只讲 ndarray
建模本身 线性回归怎么拟合、树怎么分裂,是别人的正题 ML 基础
线性代数推导 特征值、SVD、条件数、PCA 的推导已经讲透了 数学原理 05b / 05c
GPU / CuPy / Numba 换硬件是另一个层次的问题 AI 基础设施
⭐ 计时与剖析方法论 「为什么取 min 不取 mean」「怎么预热」「perf_counter vs time.time」「cProfile 怎么读」是 Python 工程题,不是 NumPy 题 《Python》板块。本套只给倍数,不建计时小节

⚠️ 第五条的后果你会在第 01 章直接看到: 那一章给了一张耗时表,但不解释怎么测,只在脚注里说明口径去哪儿看。

02 / 完整解释

只选一条现在用得上的读法。

🗺️ 四、章节地图(13 页)

章 标题 ⏱ 定位
00 怎么用这份教程 44 分钟 你正在读的这一页
⭐ 01 为什么写循环是错的 42 分钟 建议先看。讲「快」的三层来源
02 shape 和 axis 到底怎么数 48 分钟 换一个说法之后再也不会数错轴
⭐ 03 广播的三条规则 94 分钟 形状不匹配时的核心查阅章
⭐ 04 视图还是拷贝 106 分钟 解释切片与原数组共享内存这一类问题
05 内存布局、stride 与 C/F order 50 分钟 转置为什么不搬数据、.contiguous() 到底在修什么
06 索引的四种形态 88 分钟 切片 / 整数数组 / 布尔 / 混用,只有第一种是视图
07 把循环改写成数组运算:六个套路 66 分钟 手上有循环、想不出怎么改写时翻这一章
08 整数 dtype 的真相:回绕与截断 64 分钟 数值突然变成负的、或者正好等于 32767 时看这里
09 log 域运算:logaddexp、logsumexp 与 log1p 76 分钟 结果出 inf / nan 时看这里
10 随机数、种子与可复现 64 分钟 「两次跑出来不一样」和「四个 worker 抽出同样的随机数」
11 从 NumPy 到 PyTorch:四个语义陷阱 104 分钟 会 NumPy 之后转 torch 会踩的四个不报错的坑
附录 A 速查(含报错对照) 随时查,不用通读 「我要干这件事该用哪个函数」+ 十条报错到原因

⭐ 正文合计约 14.1 小时(846 分钟,不含附录)。

这些时间来自字数估算,只帮助安排阅读,不是个人完成时限。

推荐关注 01 / 03 / 04,但不必先通读。 如果 shape 和 axis 还陌生,先读 02;遇到具体报错,直接用下面的症状表。

🧭 五、四条读法

🎯 路线 A:只想不再写错(推荐给大多数人,约 4 小时)

操作步骤

01 为什么写循环是错的 ⭐
03 广播的三条规则 ⭐
04 视图还是拷贝 ⭐

这条路线关注运算速度、广播和内存共享三类常见问题,可以分多次完成;这里没有“覆盖 90% 事故”的统计保证。 其中 04 章最值钱:它解释了「我明明只改了切片,原数组怎么也变了」这一整类 bug。

🔧 路线 B:手上正卡着一个具体问题(按症状查阅,预计 50–100 分钟)

你看到的症状 去哪一章
operands could not be broadcast together with shapes ... 03
「我只改了 b,a 怎么也变了」 04
view size is not compatible with input tensor's size and stride 05
AttributeError: Incompatible shape for in-place modification 05
累加的结果比预期小、重复下标只加了一次 06
「这段循环太慢了,但我想不出怎么改写」 07
数字突然变负、或正好是 32767 / 65535 / 2147483647 08
结果里出现 inf 或 nan 09
「两次跑出来不一样」/「四个 worker 抽到一样的数」 10
从 NumPy 转 PyTorch 之后语义对不上 11

⭐ 这张表就是本板块的主入口,比从 01 章顺着读更常用。

⚡ 路线 C:想把代码改快(约 3 小时)

信息关系

01(为什么快)→07(六个套路)→05(为什么有时候换个轴就慢了 6 倍)

⚠️ 顺序别反。不知道「为什么快」就套用第 07 章的套路, 会得到「我照抄了但没变快」——因为你抄的那一条恰好不是瓶颈。

📚 路线 D:完整走一遍(约 14 小时)

00 → 01 → … → 11 → 附录 A。适合准备面试,或者想彻底不再怕这个库。

03 / 完整解释

知道接下来去哪,就可以开始。

🧩 六、每章长什么样

元素 作用 怎么用
⏱ 时间徽章 安排阅读节奏的参考 只有 15 分钟也可以先看一个例子,记下停在哪里
🎯 一句话 全章压成一句 ⭐ 只看这一句就走,是被允许的
💻 代码 ⭐ 每段自带 import numpy as np 并自己造数据 复制到空文件就能跑,不需要 GPU、不需要数据集
✅ 检查点 折叠答案,只考正文讲过的 答不上来就回去翻
⚡ 走神救援 ⭐ 全章压成一段,带具体数字 先扫短要点;仍不清楚就回看对应例子

⭐ ⚠️ 和 💀 的区别:⚠️ 是坑(容易搞错),💀 是真会出事的后果。

⭐ 本板块的代码有一条额外规矩:每一段都自己造数据,绝不出现「我们还用刚才那个 X」。 原因很实际——这一套的代码密度是全站最高的,只要有一段依赖上一段, 你复制单块出去就是 NameError。所以你可以从任何一段开始复制。

⚠️ 关于耗时数字:正文里所有「多少毫秒 / 快多少倍」都是在 Windows 11 / Python 3.13 / NumPy 2.4 / 笔记本 CPU 上实跑出来的。 ⭐ 你的绝对耗时一定会不同,看倍数和量级,别看毫秒数。 💀 这台机器有热降频,同一个脚本重跑 4 次,01 章那个倍数 在 19x 到 37x 之间摆动 —— 所以那一章给的是区间,不是一个数。

🔗 七、它和站内其他板块的关系

那一套 管什么 分界
机器学习与深度学习基础 拿 NumPy 去建模 ⭐ 那边把 NumPy 当书写媒介,这边把它当主题。ml_md/00 声明的那个「前置」就是这一套
ML 基础 附录 C · 手撕代码速查 十道白板题的标准写法 ⭐ 附录 C 是「这一题怎么写」,这一套是「这个语法为什么成立」。本板块只把它那三行当例子引用(z - z.max(axis=1,keepdims=True)、grad[np.arange(n), y] -= 1.0、X[:,None,:]-C[None,:,:]),绝不重写那几道题
ML 基础 附录 B · 代码速查 能跑的 sklearn / PyTorch 模板 那份表里没有「语法本身」这一格 —— 本板块的附录 A 补的就是那一格
机器学习的数学原理 线性代数与概率的意义 ⭐ 那边讲条件数、SVD、PCA 的推导;这边只讲 float64 存不下的时候会发生什么
AI 基础设施 GPU、显存、混合精度 ⭐ 05 章 和 ai_md/02 是同一个道理的两个尺度(CPU cache vs GPU HBM);08 章 只做整数,浮点低精度整块归 ai_md/06
数据这一关 数据进模型之前的那一半 ⭐ 那边 07 章 把「正好等于 32767 / 65535」列为脏数据的判别信号;本板块 08 章讲的是你自己怎么制造出这种数据的

🚦 现在就开始

建议:先读第 01 章。

它不教任何 API,只回答一个问题:同一件事,纯 Python 一次 68 毫秒、NumPy 一次 3.5 毫秒, 这个差距到底是从哪来的。 ⭐ 答案不是「C 比 Python 快」—— 那一章会用一个 同样是 numpy、同样走 C 代码、却慢 8 倍的反例把这个说法直接推翻。

下一节 👉 01-为什么写循环是错的.md

🧭 已经知道自己卡在哪? 直接跳: 形状报错 → 03-广播的三条规则.md | 改了 A 结果 B 变了 → 04-视图还是拷贝.md | 想改快 → 07-把循环改写成数组运算.md | 出现 inf / nan → 09-log域运算.md | 报错原文对照 → 附录A-速查.md

04 / 完整解释

停下以前,给下次留下线索。

✅ 检查点

  1. 只改了切片,原数组也变了,你该查哪一章?
  2. “向量化”在数组计算和文本处理中分别指什么?
  3. shape、广播与 stride 分别适合到哪里查?
  4. 今天只有 15 分钟,还能开始吗?回来时怎么接上?
  5. 看耗时对比时,除了秒数还应检查什么?
👀 答案
  1. 先查 04 · 视图还是拷贝。重点看是否共享同一块数据,而不是只看变量名。
  2. 数组计算里是把逐元素循环改写为整块数组操作;文本处理中可能指把文本转为 embedding 向量。
  3. shape 和 axis 查 02,广播规则查 03,内存步长 stride 查 05。
  4. 可以。选一个问题或例子,记下已观察到的结果;下次先扫走神救援,再回到没理解的那一步。
  5. 检查输入、输出是否一致,数据规模、dtype、机器和测量条件是否可比;倍数也会随环境变化,不是固定保证。

本节回顾

⚡ 走神救援

先记住这几件事

  • 这里补的是数组与向量化的前置知识,不是 embedding 或建模教程。
  • 先读数组、广播、视图与拷贝,再按症状进入其他章节。
  • 每次动手都观察形状、内存共享和实际结果;遇到具体错误再回来查对应入口。

下一节 👉 01-为什么写循环是错的.md

打卡记录保存在你的浏览器里,首页能看到总进度