python 函数 enumerate：遍历数据对象，返回索引，同时给出数据和数据下标
classes = [‘plane’, ‘car’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’]
for y, cls in enumerate(classes)
print（y）
print(cls)
np.flatnonzero: 返回非0下标，下标全部以一维下标进行索引
idxs = np.flatnonzero(y_train == y)
range + list 结合创建连续的索引：创建一个0到10的下标，再用这个下标去索引另一个数据
num_training = 10
mask = list(range(num_training))
print(mask)
X_train = X_train[mask]
对一个（距离）矩阵进行可视化，来判断某些关系
import matplotlib.pyplot as plt
plt.imshow(dists, interpolation=‘none’)
除了用format输出数据以外，还可以使用%的方法
print('Got %d / %d correct => accuracy: %f ’ % (num_correct, num_test, accuracy))
需要有两个百分号，一个在引号里面，一个接着引号后面
加法：
np.sum, axis=0， axis=1 分别表示按行、按列进行加法；
keepdims在于保持维度不变，因为无论按照行还是按照列相加，都会默认损失一个维度
注意到axis的设置是仅对一个数据进行操作
比如，假设data是一个mn的矩阵，我们可以np.sum(data, axis=0),表示按照列相加，得到1n的数据，准确的说是(n, )的数据。因此需要特别注意运算后数据维度的变化。
普通的加法，直接使用+： 也可以进行broadcast，多个数据也是可以的，以维度最高为标准。
ab = np.dot(X, self.X_train.T) # num_test * num_train
a2 = np.sum(np.square(X), axis=1).reshape(-1, 1) # num_test * 1
b2 = np.sum(np.square(self.X_train.T), axis=0).reshape(1, -1) # 1 * num_train
dists = -2 * ab + a2 + b2
可以看到这里ab维度 是 num_test * num_train， a2维度是num_test 1, b2维度是1num_train, 把这三者相加起来，会自动进行broadcast。 也就是把a2和ab的每一列对应元素进行相加，再将b2和上述结果的每一行对应元素相加。
确保数据是（n, ）的维度： np.ravel()
这个函数确保将输入的数据拉平，变成（n,）的数据。
有时可能因为数据维度不一致而导致错误，这一点需要十分注意。
将数据平均分成若干份（需要对应好原数据及其标签），和随机分配不一样
np.array_split(数据， 份数)函数，将数据从中间切开，分成数据，保证数据是连续的，如将100个数据分成5份，则第一份的下标就是0到19，保证了下标的连续性。
python字典中setdefault方法
可以利用setdefault 来对键及其对应的值做一个初始化
dict.setdefault(key, default=None)
如果某个键不存在，则将其设置为这个值
如何画出超参数的设置曲线？
可以对每一个超参数进行多次试验，可以设置多组，然后利用键值对来存储试验结果数据。然后结合散点图和折线图来画出趋势图，既可以看出趋势，也可以看出每个超参数时的变化幅度。如下图
如何划分训练集成为训练集和交叉验证集？
例子：可以将训练集划分为5等份，然后选取其中一个子集作为验证集，除了这个子集之外的4等份作为训练集。这样共有五个验证集的结果。