代码





```
import numpy as np
def normalization(x):
    """"
    归一化到区间{0,1]
    返回副本
    """
    _range = np.max(x) - np.min(x)
    return (x - np.min(x)) / _range
def standardization(x):
    """"
     将输入x 正态标准化  (x - mu) / sigma   ~   N(0,1)
     返回副本
    """
    mu = np.mean(x, axis=0)
    sigma = np.std(x, axis=0)
    return (x - mu) / sigma
YUAN = np.random.randint(3, 70, size=5)
a = normalization(YUAN)
b = standardization(YUAN)
print(YUAN, "normalization:", a)
print(YUAN is a)
print(YUAN, "standardization:", b)
print(YUAN is b)
```

结果

    [33 50 60 12 32] normalization: [0.4375     0.79166667 1.         0.         0.41666667]

    False

    [33 50 60 12 32] standardization: [-0.26647587  0.76308999  1.36871697 -1.53829253 -0.32703857]

    False

**sklearn.preprocessing.scale 能沿某个轴标准化**
```
import numpy as np
from sklearn import  preprocessing
def standardization(x):
    """"
     将输入x 正态标准化  (x - mu) / sigma   ~   N(0,1)
     返回副本
    """
    mu = np.mean(x, axis=0)
    sigma = np.std(x, axis=0)
    return (x - mu) / sigma
YUAN = np.random.randint(3, 70, size=5)
a = standardization(YUAN)
b = preprocessing.scale(YUAN)
print(YUAN, "normalization:", a)
print(YUAN, "preprocessing.scale:", b)
print(a == b)
```

结果

```
[ 8 14 64 51 61] normalization: [-1.32656065 -1.07468204  1.02430632  0.47856935  0.89836702]
[ 8 14 64 51 61] preprocessing.scale: [-1.32656065 -1.07468204  1.02430632  0.47856935  0.89836702]
[ True  True  True  True  True]
```

numpy 归一化 与 标准化

**代码**




```
import numpy as np
def NormMinandMax(npdarr, min=0, max=1):
    """"
    将数据npdarr 归一化到[min,max]区间的方法
    返回 副本
    """
    arr = npdarr.flatten()
    Ymax = np.max(arr)  # 计算最大值
    Ymin = np.min(arr)  # 计算最小值
    k = (max - min) / (Ymax - Ymin)
    last = min + k * (arr - Ymin)
    return last
YUAN = np.random.randint(3, 70, size=5)
print(np.max(YUAN),np.min(YUAN))
print(YUAN, NormMinandMax(YUAN,4,6))
```

结果

    64 5

    [34  7 63 64  5] [4.98305085 4.06779661 5.96610169 6.         4.        ]

numpy 将数据npdarr 归一化到[min,max]区间的方法

numpy教程：





[https://numpy.org/devdocs/user/quickstart.html#array-creation](https://numpy.org/devdocs/user/quickstart.html#array-creation)

https://numpy.org/devdocs/user/index.html



# **1、创建数组**



```python
import numpy as np
a = np.arange(15).reshape(3, 5) #np.arange
a = np.arange( 10, 30, 5 ) 
start:可忽略不写，默认从0开始;起始值
stop:结束值；生成的元素不包括结束值
step:可忽略不写，默认步长为1；步长
dtype:默认为None，设置显示元素的数据类型
a = np.array([2,3,4]) #列表导入
b = np.array([(1.5,2,3), (4,5,6)])  #多维
c = np.array( [ [1,2], [3,4] ], dtype=complex ) #显式给出类型
a =  np.zeros( (3,4) )
a =  np.ones( (2,3,4), dtype=np.int16 ) 
a =  np.empty( (2,3) )
# shape和矩阵a一样的 全0矩阵b
b =  np.zeros_like(a)
# np.linspace函数
a =  np.linspace( 0, 2, 9 )                 # 9 numbers from 0 to 2
>>> u = np.eye(2) # unit 2x2 matrix; "eye" represents "I"
>>> u
array([[ 1.,  0.],
       [ 0.,  1.]])
# 服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1
a =  np.random.rand(3,2)
array([[ 0.14022471,  0.96360618],  #random
       [ 0.37601032,  0.25528411],  #random
       [ 0.49313049,  0.94909878]]) #random
# 返回服从正态分布X ~ N(3, 6.25)  来源于 (x-mu)/sigma ~ N(0,1)
# np.random.randn(2, 4)返回标准正态分布
a =  6.25 * np.random.randn(2, 4) + 3
# 返回随机的整数，位于半开区间 [low, high) 
a =   np.random.randint(5, size=(2, 4)) #区间[0, 5) 
a =   np.random.randint(3，5, size=(2, 4)) #区间[3, 5) 
# ranf = random = sample = random_sample 返回在半开区间 [0.0, 1.0)
np.random.random((3, 2))
```



# 2、排列



```python
np.random.shuffle(arr) #洗牌
```



# 3、形状



```python
a.ravel()：# 引用  返回的是视图  (3,)
         # 修改引用 就是修改原数据
a.flatten()：# 深拷贝  返回副本  (3,)
a.squeeze()：# 删除一条维度  (3,)或者(3, 1)
a.reshape((3,4))
```



# 4、堆叠

**np.vstack() #在竖直方向上堆叠**

**np.hstack() #在水平方向上平铺**

```python
>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])
```





# 4、拼接

**np.concatenate **沿着现有的轴连接一系列数组。

```python
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
       [3, 4, 6]])
>>> np.concatenate((a, b), axis=None)
array([1, 2, 3, 4, 5, 6])
```



# 5、拆分

**numpy.array_split(ary, indices_or_sections, axis=0) 拆分，不均等就报错****

```python
>>> x = np.arange(8.0)
>>> np.array_split(x, 3)
    [array([ 0.,  1.,  2.]), array([ 3.,  4.,  5.]), array([ 6.,  7.])]
```

**numpy.split(ary, indices_or_sections, axis=0)  拆分， 可接受列表**

```python
>>> x = np.arange(9.0)
>>> np.split(x, 3)
[array([ 0.,  1.,  2.]), array([ 3.,  4.,  5.]), array([ 6.,  7.,  8.])]
>>> x = np.arange(8.0)
>>> np.split(x, [3, 5, 6, 10])
[array([ 0.,  1.,  2.]),
 array([ 3.,  4.]),
 array([ 5.]),
 array([ 6.,  7.]),
 array([], dtype=float64)]
```

# 7、奇淫技巧

7.1 矩阵赋值技巧

代码
```
sequences=[[1,2],[8,2]]
import numpy as np
results = np.zeros((len(sequences), 10))
for i, sequence in enumerate(sequences):
    results[i, sequence] = 1.
    print(i,sequence)
print(results)
```

结果

0 [1, 2]

1 [8, 2]

[[0. 1. 1. 0. 0. 0. 0. 0. 0. 0.]

 [0. 0. 1. 0. 0. 0. 0. 0. 1. 0.]]

 要点

 矩阵results的某一行的某些索引进行赋值。

 results[0,[1,2,5]]=1 表示把第0的第1、2、5处的值换成1

Numpy 基础操作

这是让大模型翻译论文的提示词：




```bash
# 翻译规则

## 翻译规则1
请在翻译这篇学术论文时，严格保留所有专业术语的原始英文表述，不要尝试将它们翻译成中文，而不是专业术语的部分，需要翻译为中文。保持所有文章引用格式和内容的完整无误。对于众所周知的国际组织、专业学会名称及其发布的标准、协议等，也应维持其英文原名。在翻译过程中，请注重上下文的流畅性和逻辑性，同时确保技术术语的一致性。

## 翻译规则2
markdown公式的单行公式样式是这样（两个$符号中间就是公式）：$Y = [y_1, y_2, \ldots, y_m]$
如果想居中一行显示就是这个公式样式(前后都有2个$$)：
$$
Y = [y_1, y_2, \ldots, y_m]
$$
翻译过程中的公式要按照markdown公式给我输出。

## 翻译规则3
文章本身是英文内容，除了应该遵守翻译规则1，其余的翻译后的内容应该是中文。

## 翻译规则4
学术论文的公式有时候是错误的或者不全，请你修改调整好。

## 翻译规则5
学术论文的标题是二级标题(##)开始，Abstract也是二级标题。比如1.就是二级标题，1.1、1.2就是三级标题。

## 翻译规则6
不准省略翻译，我给你的所有内容都需要翻译为中文。

# 翻译任务开始
现在请你翻译这个学术论文内容，按“翻译规则”翻译为中文文章：
```


LangGPT范式：

```bash
# Role: 学术论文翻译助手

## Profile
- author: LangGPT
- version: 1.0
- language: 中文/英文
- description: 专注于学术论文的精准翻译，遵循特定规则处理专业术语、公式和结构，确保内容准确无误。

## Skills
1. 熟悉学术翻译规则，能准确区分并处理专业术语、非专业术语及特定引用格式。
2. 掌握markdown公式排版规则，能按需求输出单行及居中公式。
3. 具备修改和修正错误公式的能力，确保译文内容的准确性和完整性。
4. 擅长处理学术结构，包括标题和层次设置，确保翻译符合学术写作规范。

## Background(可选项)
在学术论文的翻译过程中，保留原文的专业性与逻辑性至关重要。学术论文翻译助手不仅能准确翻译非专业内容，还能保留并处理原文中的专业术语及结构，为用户提供符合学术标准的译文。

## Goals(可选项)
1. 提供精确的学术翻译，严格遵循特定规则处理术语和格式。
2. 保证公式正确性与markdown格式输出，为用户提供易于使用的译文。
3. 通过清晰的标题层次和全面翻译，实现完整准确的学术内容转化。

## OutputFormat(可选项)
用户提供原文后，学术论文翻译助手将按翻译规则生成结构化译文，确保准确性和符合学术规范。

## Rules
1. 保留所有专业术语的英文表述，仅将非专业术语部分翻译为中文，并保持引用格式及内容的完整。
2. 按markdown公式格式输出，单行公式使用$符号包裹，居中公式使用$$符号包裹。
3. 确保除专业术语外的所有内容翻译为中文，必要时对不完整或错误的公式进行修正。
4. 学术论文的标题和Abstract需使用二级标题格式，标题层次须符合学术写作规范。
5. 确保完整翻译所有提供内容，不得省略任何部分。

## Workflows
1. 确认并理解用户提供的学术论文内容和翻译需求。
2. 遵循翻译规则，保留专业术语，处理格式并确保准确性。
3. 输出符合markdown格式的译文并修正所有不完整或错误的公式。
4. 提供最终译文，确保其符合用户的翻译需求和学术规范。

## Init
请提供您需要翻译的学术论文内容，学术论文翻译助手将按上述规则生成符合标准的译文。

```

ChatGPT翻译论文的提示词Prompt

在当前的人工智能应用中，正确和有效地构建提示词（Prompt）对于引导大型语言模型（如GPT-4等）生成期望的输出至关重要。这篇博客将深入探讨提示词工程的必要性、设计原则，并通过具体示例阐释如何实际应用这些原则。





### 为什么重视Prompt的培训？

在与语言模型的交互中，提示词起着至关重要的作用。一个好的提示可以精确引导模型输出用户所期望的答案或内容，而一个不恰当的提示则可能导致输出偏离目标，甚至产生毫无相关的信息。例如，如果给模型的提示是“描述一朵花”，模型可能输出任何类型的花的描述；但如果提示为“描述一朵位于阿尔卑斯山脉中的野生雏菊”，则输出将更具体、更符合期望。

### Prompt设计原则

#### 1. 明确性与结构化
有效的提示词需要具有高度的明确性和结构化。这意味着在构建提示时，需要清晰地指示模型所需要执行的任务，以及期望的输出格式。例如，如果我们需要一个关于全球变暖影响的报告，一个结构化的提示可能是：“编写一个1000字的报告，详细说明全球变暖对北极地区的影响，包括气温变化、冰层融化速度及其对野生动物的影响。”

#### 2. 角色设定与背景信息
通过设定特定的角色和背景，可以使模型更好地聚焦于特定类型的任务。例如，“作为一名历史学家，分析罗马帝国的兴衰原因。”这种设定帮助模型在一个明确的知识背景下进行思考，从而产生更加深入和专业的内容。

#### 3. 约束与技能描述
清楚地描述模型在回答过程中需要遵循的约束条件和所需的技能，可以帮助模型在正确的方向上发展其回答。例如，“在不提及任何现代科技的情况下，描述19世纪的伦敦。”

### 实际应用案例

让我们通过一个具体的例子来说明如何应用上述设计原则来构建有效的Prompt：

#### 场景：企业需要一份报告，分析其新产品在市场上的潜在表现。

#### Prompt构建过程：
- **角色设定**：作为一名市场分析师，
- **背景信息**：具有五年消费电子领域经验，
- **任务描述**：编写一份报告，分析产品X在全球市场的推广潜力，
- **结构化输出**：报告需要包括市场需求、目标用户群、预计销售量、竞争对手分析和推广策略建议，
- **约束条件**：报告中不得使用任何未公开的敏感信息，
- **技能描述**：能够处理和分析大量市场数据，并据此提供实际可行的建议。

这个Prompt利用了明确的角色设定和详尽的任务描述来引导模型，通过具体的结构化要求使得输出内容更加有序且符合实际需求。

### 总结

构建有效的Prompt不仅仅是为了提高模型的输出质量，更是一种确保模型能够准确理解并执行用户任务的方法。随着人工智能技术的不断进步，Prompt Engineering作为一门专业技能，其重要性在未来将会持续增长。通过学习和实践上述提示词设计原则，用户和开发者可以显著提高与语言模型的互动质量，更好地利用这些先进技术来解决实际问题。

如何写好一个Prompt提示词，提示词工程

我是一个专注技术分享的博主,尤其爱搞深度学习和单片机电子。你现在看到的是我的个人博客网站。