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
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
⚠️ 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
- 只改了切片,原数组也变了,你该查哪一章?
- “向量化”在数组计算和文本处理中分别指什么?
- shape、广播与 stride 分别适合到哪里查?
- 今天只有 15 分钟,还能开始吗?回来时怎么接上?
- 看耗时对比时,除了秒数还应检查什么?
👀 答案
- 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。
- 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。
- shape 和 axis 查 02,广播规则查 03,内存步长 stride 查 05。
- 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。
- 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