友情提示：不要被公式吓到，它们都是纸老虎
关于 Numpy
NumPy 是使用 Python 进行科学计算的基础软件包。除其他外，它包括：
- 功能强大的N维数组对象
- 精密广播功能函数
- 集成 C/C+和Fortran 代码的工具
- 强大的线性代数、傅立叶变换和随机数功能
机器学习和数据分析，numpy 是最常用的科学计算库，可以用极简的、符合思维习惯的方式完成代码实现，为学习和实践提供了很大的便利
环境准备
创建虚拟环境（可省略），安装 numpy 包：
pip install numpy
测试安装：
>>> import numpy >>>
在下面实践中，默认将 numpy 引用为 np：
import numpy as np ...
基础运算
编程语言大多数运算都是针对简单数值的，复杂运算是通过相应的数据结构结合程序逻辑计算的。numpy 虽然是针对复杂数据结构（例如矩阵）构造的，但它提供了和简单数值计算一样方便的操作。
幂运算
幂运算的运算符为 ** ，即两个星号（一个星号表示乘），例如计算 x 的平方：x**2，x 的立方：x**3，等等
开方，相当于计算 1/2 次方，即 x**(1/2) 或者 x**0.5，因为常用 numpy 提供了便捷函数，sqrt，例如对数字 x 开平方，就是 np.sqrt(x).
实际上平方运算也有便捷方法：
np.square
绝对值
绝对值表示一个数轴上的值距原点的距离，表示为 |x|，numpy 提供便捷方法abs 来计算，例如 np.abs(x)，就为 x 的绝对值
理解向量和矩阵
线性代数是机器学习和数据分析的基础数学之一，而向量和矩阵式又是线性代数的基础概念，所以理解向量和矩阵非常重要。
向量
一般数据被分为标量和向量，标量比较容易理解，即数轴上的一个数值
向量直观的认识是一组数值，可以理解为一维数组，但是为啥常见定义表示：具有方向的数值，方向指的是啥？这个问题困扰了我很多年（苦笑）。实际是因为在开始学习线性代数时，直接从公式定理开始，而没有了解它的原理和来源。
向量的方向指的是，向量所在坐标系的原点指向该向量在坐标系中表示的点的方向，例如在平面直角坐标系中，向量 [1,2] 表示 x 轴为 1，y 轴为 2 的一个点，从原点，即 [0,0] 点指向这个点的方向，就是这个向量的方向，扩展的三维坐标系，再到 n 为坐标系（当然超过三位人类就比较难以理解了），向量元素的个数表示向量属于几维坐标系，但无论多少维，都可以画出原点指向向量点的方向。
因为线性代数研究的是向量及向量组（矩阵）的纯数学计算，所以丢弃了坐标系的概念，只保留了向量的样子，所以造成了向量难以理解的现象。
简单说，向量就是一个数值的数组。
矩阵
理解了向量，矩阵理解起来就容易了，相当于一组向量，即坐标系中的多个点的集合，矩阵运算，就相当于多个向量的运算或变换。
可能这里比较绕或冗余，先解释到这里，后面的文章中会进一步解释向量和矩阵的实际意义
初始化
numpy 中，提供了多种产生向量和矩阵的方法，例如用 array 可以将 python 数组初始化为 numpy 矩阵：
m = np.array([(1,2,3),(2,3,4),(3,4,5)])
就可以创建一个 向量维度为 3，个数为 3 的矩阵
基本运算
numpy 特别擅长处理向量和矩阵的运算，例如乘法，即给向量中的每个数值乘以乘数，之间写代码的话，可以遍历向量，为每个值乘以乘数。
用 numpy 就简单很多：x * 2，就像做标量运算一样，感觉向量同一个数值一样。
- 加法
x+2， - 减法
x-2 - 处罚
x/2
矩阵幂运算
向量、矩阵既然可以看成一个数，幂运算就很容易理解了，例如矩阵
矩阵 m
m 平方就可以写成 m**2, 结果为：
矩阵平方
矩阵点积
不同维度的矩阵可以做乘法操作，但不是一般的乘法操作，操作被称为点积，为了用 numpy 表示，需要用 dot 函数，例如矩阵 m 和 n
矩阵 m、n
代码为 m.dot(n)，就会得到如下结果：
矩阵点积
