> For the complete documentation index, see [llms.txt](https://deeplearning4j.konduit.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/nd4j/kuai-su-ru-men.md). # 快速入门 ## 介绍 ND4J是JVM的科学计算库。它是用来在生产环境中使用的，而不是作为一个研究工具，这意味着常规的设计是为了以最低的RAM需求快速运行。主要特点是： * 一个多功能的n维数组对象。 * 线性代数和信号处理函数。 * 多平台功能，包括GPU。 * 所有主要操作系统: win/linux/osx/android. * 架构: x86, arm, ppc. 此快速入门遵循与[Numpy快速入门](https://docs.scipy.org/doc/numpy/user/quickstart.html)相同的布局和方法。这将帮助熟悉Python和Numpy的人快速开始使用Nd4J。 ## 先决条件 您可以从任何[JVM语言](https://en.wikipedia.org/wiki/List_of_JVM_languages)中使用Nd4J。（例如：Scala、Kotlin）。可以将Nd4J与任何构建工具一起使用。此快速入门中的示例代码使用以下内容： * [Java (developer version)](/zhong-wen-v1.0.0/kai-shi/kuai-su-ru-men.md#java) 1.7或更高版本（仅支持64位版本） * [Apache Maven](/zhong-wen-v1.0.0/kai-shi/kuai-su-ru-men.md#apache-maven) (自动构建和依赖关系管理器) * [Git ](/zhong-wen-v1.0.0/kai-shi/kuai-su-ru-men.md#git)(分布式版本控制系统) 为了提高可读性，我们向您展示`System.out.println(...)`的输出。但是我们还没有在示例代码中显示print语句。如果您有信心知道如何使用maven和git，请随时跳到基础部分。在本节的其余部分中，我们将构建一个小型的“hello ND4J”应用程序，以验证先决条件设置是否正确。 执行以下命令从github获取项目。 ``` git clone https://github.com/RobAltena/HelloNd4J.git cd HelloNd4J mvn install mvn exec:java -Dexec.mainClass="HelloNd4j" ``` 当一切设置正确时，您应该看到以下输出： ``` [ 0, 0] ``` ## 基础 Nd4j的主要特点是具有多功能的n维阵列接口INDArray。为了提高性能，Nd4j使用堆外内存来存储数据。INDArray不同于标准Java数组。 INDArray x的一些关键属性和方法如下： ```java import org.nd4j.linalg.factory.Nd4j; import org.nd4j.linalg.api.buffer.DataType; INDArray x = Nd4j.zeros(3,4); // 数组的轴数（维度）。 int dimensions = x.rank(); // 数组的维数。每个维度的大小。 long[] shape = x.shape(); // 元素的总数。 long length = x.length(); // 数组元素的类型。 DataType dt = x.dataType(); ``` ### 数组创建 要创建INDArray，可以使用[Nd4j]()类的静态工厂方法。 `Nd4j.createFromArray`函数被重载，以便于从常规Java数组创建INDArrays。下面的示例使用Java`double`数组。类似的create方法对于float、int和long重载。对于所有类型，`Nd4j.createFromArray`函数都有高达4d的重载。 ```java double arr_2d[][]={{1.0,2.0,3.0},{4.0,5.0,6.0},{7.0,8.0,9.0}}; INDArray x_2d = Nd4j.createFromArray(arr_2d); double arr_1d[]={1.0,2.0,3.0}; INDArray x_1d = Nd4j.createFromArray(arr_1d); ``` Nd4j可以使用函数`zeros`和`ones`创建用0和1初始化的数组。rand函数允许您创建用随机值初始化的数组。创建的INDArray的默认数据类型是float。有些重载允许您设置数据类型。 ```java INDArray x = Nd4j.zeros(5); //[ 0, 0, 0, 0, 0], FLOAT int [] shape = {5}; x = Nd4j.zeros(DataType.DOUBLE, 5); //[ 0, 0, 0, 0, 0], DOUBLE // 对于更高的维度，可以提供形状数组。二维随机矩阵示例： int rows = 4; int cols = 5; int[] shape = {rows, cols}; INDArray x = Nd4j.rand(shape); ``` 使用`arange`函数创建一个均匀空间值数组： ```java INDArray x = Nd4j.arange(5); // [ 0, 1.0000, 2.0000, 3.0000, 4.0000] INDArray x = Nd4j.arange(2, 7); // [ 2.0000, 3.0000, 4.0000, 5.0000, 6.0000] ``` `linspace`函数允许您指定生成的点数： ```java //开始数, 停止数, 个数. INDArray x = Nd4j.linspace(1, 10, 5); // [ 1.0000, 3.2500, 5.5000, 7.7500, 10.0000] // 对函数进行多点评估。 import static org.nd4j.linalg.ops.transforms.Transforms.sin; INDArray x = Nd4j.linspace(0.0, Math.PI, 100, DataType.DOUBLE); INDArray y = sin(x); ``` ### 打印数组 INDArray支持Java的`toString()`方法。当前的实现具有有限的精度和有限的元素数。输出类似于打印NumPy数组： ```java //1维数组 INDArray x = Nd4j.arange(6); //我们现在只给出print命令的输出。 System.out.println(x); // [ 0, 1.0000, 2.0000, 3.0000, 4.0000, 5.0000] int [] shape = {4,3}; //2维数组 x = Nd4j.arange(12).reshape(shape); /* [[ 0, 1.0000, 2.0000], [ 3.0000, 4.0000, 5.0000], [ 6.0000, 7.0000, 8.0000], [ 9.0000, 10.0000, 11.0000]] */ int [] shape2 = {2,3,4}; //3维数组 x = Nd4j.arange(24).reshape(shape2); /* [[[ 0, 1.0000, 2.0000, 3.0000], [ 4.0000, 5.0000, 6.0000, 7.0000], [ 8.0000, 9.0000, 10.0000, 11.0000]], [[ 12.0000, 13.0000, 14.0000, 15.0000], [ 16.0000, 17.0000, 18.0000, 19.0000], [ 20.0000, 21.0000, 22.0000, 23.0000]]] */ ``` ### 基本操作 必须使用INDArray方法对数组执行操作。有就地（in-place）和复制重载、标量和元素级重载版本。就地（in-place）运算符返回对数组的引用，因此可以方便地将操作链接在一起。尽可能使用就地（in-place）运算符来提高性能。复制运算符有新的数组创建开销。 ```java //复制 //返回一个新数组，并将标量添加到arr的每个元素。 arr_new = arr.add(scalar); //返回一个新数组，它是arr和其他arr元素级别的加法。 arr_new = arr.add(other_arr); //就地 arr_new = arr.addi(scalar); arr_new = arr.addi(other_arr); ``` 加法: arr.add(...), arr.addi(...) 减法: arr.sub(...), arr.subi(...) 乘法: arr.mul(...), arr.muli(...) 除法 : arr.div(...), arr.divi(...) 执行基本操作时，必须确保基础数据类型相同。 ```java int [] shape = {5}; INDArray x = Nd4j.zeros(shape, DataType.DOUBLE); INDArray x2 = Nd4j.zeros(shape, DataType.INT); INDArray x3 = x.add(x2); // java.lang.IllegalArgumentException: Op.X 和 Op.Y must have the same data type, but got INT vs DOUBLE // 将x2转换为DOUBLE可以解决以下问题： INDArray x3 = x.add(x2.castTo(DataType.DOUBLE)); ``` INDArray有实现缩减/累加操作的方法，如 `sum`, `min`, `max`. ```java int [] shape = {2,3}; INDArray x = Nd4j.rand(shape); x; x.sum(); x.min(); x.max(); /* [[ 0.8621, 0.9224, 0.8407], [ 0.1504, 0.5489, 0.9584]] 4.2830 0.1504 0.9584 */ ``` 提供维度参数以在指定维度上应用操作： ```java INDArray x = Nd4j.arange(12).reshape(3, 4); /* [[ 0, 1.0000, 2.0000, 3.0000], [ 4.0000, 5.0000, 6.0000, 7.0000], [ 8.0000, 9.0000, 10.0000, 11.0000]] */ //每列的总和。 x.sum(0); //[ 12.0000, 15.0000, 18.0000, 21.0000] //每行最小值 x.min(1); //[ 0, 4.0000, 8.0000] //每行的累计和， x.cumsum(1); /* [[ 0, 1.0000, 3.0000, 6.0000], [ 4.0000, 9.0000, 15.0000, 22.0000], [ 8.0000, 17.0000, 27.0000, 38.0000]] */ ``` ### 转换操作 Nd4j提供熟悉的数学函数，如sin、cos和exp，这些称为转换操作。结果作为INDArray返回。 ```java import static org.nd4j.linalg.ops.transforms.Transforms.exp; import static org.nd4j.linalg.ops.transforms.Transforms.sqrt; INDArray x = Nd4j.arange(3); // [ 0, 1.0000, 2.0000] exp(x); // [ 1.0000, 2.7183, 7.3891] sqrt(x); // [ 0, 1.0000, 1.4142] ``` 您可以在[Javadoc](https://deeplearning4j.org/api/latest/org/nd4j/linalg/api/ops/impl/transforms/package-summary.html)中查看转换操作的完整列表 ### 矩陈乘法 我们已经在基本操作中看到了元素的乘法运算。其他矩阵运算有自己的方法： ```java INDArray x = Nd4j.arange(12).reshape(3, 4); /* [[ 0, 1.0000, 2.0000, 3.0000], [ 4.0000, 5.0000, 6.0000, 7.0000], [ 8.0000, 9.0000, 10.0000, 11.0000]] */ INDArray y = Nd4j.arange(12).reshape(4, 3); /* [[ 0, 1.0000, 2.0000], [ 3.0000, 4.0000, 5.0000], [ 6.0000, 7.0000, 8.0000], [ 9.0000, 10.0000, 11.0000]] */ // 矩阵乘积. x.mmul(y); /* [[ 42.0000, 48.0000, 54.0000], [ 114.0000, 136.0000, 158.0000], [ 186.0000, 224.0000, 262.0000]] */ //点积 INDArray x = Nd4j.arange(12); INDArray y = Nd4j.arange(12); dot(x, y); //506.0000 ``` ### 索引、切片和迭代 索引、切片和迭代在Java中比Python更困难。 要从INDArray检索单个值，可以使用`getDouble`、`getFloat`或`getInt`方法。INDArrays不能像Java数组那样被索引。可以使用`toDoubleVector()`、`toDoubleMatrix()`、`toFloatVector()`和`toFloatMatrix()`从INDArray获取Java数组。 ```java INDArray x = Nd4j.arange(12); // [ 0, 1.0000, 2.0000, 3.0000, 4.0000, 5.0000, 6.0000, 7.0000, 8.0000, 9.0000, 10.0000, 11.0000] //单一元素访问。其他方法: getDouble, getInt, ... float f = x.getFloat(3); // 3.0 //转换为Java数组。 float [] fArr = x.toFloatVector(); // [0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0] INDArray x2 = x.get(NDArrayIndex.interval(2, 6)); // [ 2.0000, 3.0000, 4.0000, 5.0000] //在x的副本上：从开始到位置6（不包括），将每2个元素设置为-1.0 INDArray y = x.dup(); y.get(NDArrayIndex.interval(0, 2, 6)).assign(-1.0); //[ -1.0000, 1.0000, -1.0000, 3.0000, -1.0000, 5.0000, 6.0000, 7.0000, 8.0000, 9.0000, 10.0000, 11.0000] //y的反向副本。 INDArray y2 = Nd4j.reverse(y.dup()); //[ 11.0000, 10.0000, 9.0000, 8.0000, 7.0000, 6.0000, 5.0000, -1.0000, 3.0000, -1.0000, 1.0000, -1.0000] ``` 对于多维数组，应该使用`INDArray.get(NDArrayIndex...)`。下面的示例演示如何遍历二维数组的行和列。注意，对于2D数组，我们可以使用`getColumn`和`getRow`便利方法。 ```java // 在2d数组的行和列上迭代。 int rows = 4; int cols = 5; int[] shape = {rows, cols}; INDArray x = Nd4j.rand(shape); /* [[ 0.2228, 0.2871, 0.3880, 0.7167, 0.9951], [ 0.7181, 0.8106, 0.9062, 0.9291, 0.5115], [ 0.5483, 0.7515, 0.3623, 0.7797, 0.5887], [ 0.6822, 0.7785, 0.4456, 0.4231, 0.9157]] */ for (int row=0; row), [create](), [copy](), [empty](), [empty\_like](), [eye](), [linspace](), [meshgrid](), [ones](), [ones\_like](), [rand](), [readTxt](), [zeros](), [zeros\_like]() ### 转换 [convertToDoubles](), [convertToFloats](), [convertToHalfs]() ### 操作 [concatenate](), [hstack](), [ravel](), [repeat](), [reshape](), [squeeze](), [swapaxes](), [tear](), [transpose](), [vstack]() ### 排序 [argmax](), [max](), [min](), [sort]() ### 操作 [choice](), [cumsum](), [mmul](), [prod](), [put](), [putWhere](), [sum]() ### 基本统计 [covarianceMatrix](https://deeplearning4j.org/api/latest/org/nd4j/linalg/dimensionalityreduction/PCA.html#getCovarianceMatrix--), [mean](), [std](), [var]() ### 基本线性代数 [cross](), [dot](), [gesvd](), [mmul](https://deeplearning4j.org/api/latest/org/nd4j/linalg/api/ndarray/INDArray.html#mmul-org.nd4j.linalg.api.ndarray.INDArray-)