assignment1讲解参见：
https://blog.csdn.net/u014485485/article/details/79433514?utm_source=blogxgwz5
np. flatnonzero(a) 返回a的展平版本中非零的索引。
a1 = np.random.choice(a=5, size=3, replace=False, p=None) 参数分别从a 中以概率p，随机选择3个, p没有指定的时候相当于是一致的分布。replacement的意思是抽样之后还放不放回去，如果是False的话，那么出来的三个数都不一样，如果是True的话， 有可能会出现重复的，因为前面抽的放回去了。
subplot(nrows, ncols, plot_number) 作用是把一个绘图区域（可以理解成画布）分成多个小区域，用来绘制多个子图。nrows和ncols表示将画布分成（nrows*ncols）个小区域，每个小区域可以单独绘制图形；plot_number表示将图绘制在第plot_number个子区域。举例： createPlot = subplot(222)，表示画布分成（2*2=4）个小区域，并将图createPlot绘制在画布中的第二个子区域，也就是右上角位置。
imshow():https://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.imshow
astype('uint8'): 把图像数据类型转换为无符号八位整型，范围是0-255。如果输入图像是无符号八位整型的，返回的图像和源图像相同。
plt.axis('off') 不显示坐标尺寸，区别见下图：
numpy.reshape(a, newshape, order='C')：
a：array_like。要重新形成的数组。
newshape：int或tuple的整数。新的形状应该与原始形状兼容。如果是整数，则结果将是该长度的1-D数组。一个形状维度可以是-1。在这种情况下，从数组的长度和其余维度推断该值。
order：{'C'，'F'，'A'}可选。使用此索引顺序读取a的元素，并使用此索引顺序将元素放置到重新形成的数组中。'C'意味着使用C样索引顺序读取/写入元素，最后一个轴索引变化最快，回到第一个轴索引变化最慢。'F'意味着使用Fortran样索引顺序读取/写入元素，第一个索引变化最快，最后一个索引变化最慢。注意，'C'和'F'选项不考虑底层数组的内存布局，而只是参考索引的顺序。'A'意味着在Fortran类索引顺序中读/写元素，如果a 是Fortran 在内存中连续的，否则为C样顺序。
欧式距离（对应L2范数）：最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中。n维空间中两个点x1(x11,x12,…,x1n)与 x2(x21,x22,…,x2n)间的欧氏距离：
np.bincount()：它大致说bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数。下面，我举个例子让大家更好的理解一下：x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7
x = np.array([0, 1, 1, 3, 2, 1, 7])
索引0出现了1次，索引1出现了3次......索引5出现了0次......
np.bincount(x)
因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1])
np.argmax()：取出a中元素最大值所对应的索引a = np.array([3, 1, 2, 4, 6, 1])，b=np.argmax(a) 此时最大值位6，其对应的位置索引值为4，（索引值默认从0开始）
np.argsort()：将x中的元素从小到大排列，提取其对应的index(索引)，然后输出到y。
KNN原理:找出距离最近的k个点对应的标签，然后找出出现次数最多的标签作为预测标签。
F范数：设A是mxn的矩阵，其F范数定义为：
numpy.split(ary, indices_or_sections, axis=0)：Split an array into multiple sub-arrays.
>>> x = np.arange(9.0) >>> np.split(x,3) [array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7., 8.])]