이 포스트는 Udacity - DLFND 를 강의 내용을 필기 형식으로 작성 했습니다.
Numpy
이번 주제는 Numpy 입니다.
파이썬은 사용하기 편리하지만 느린게 단점입니다. 그래서, C 같은 동작이 빠른 언어로 작성된 라이브러리를 호출해서 사용 할 수 있도록 했습니다.
Numpy가 같은 원리로 작성된 라이브러리입니다. Numpy는 파이썬이 기본적으로 제공하는 계산보다 더 빠르고 효율적으로 동작합니다.
자세한 설명은 여기 Numpy Reference 를 참고 하시기 바랍니다.
이 포스트에는 Numpy에서 자주 사용하는 코드 조각을 모아 두려고 합니다.
# Importing NumPy
import numpy as np
# Scalars (uint8, int8, uint16, int16)
s = np . array ( 5 )
s . shape # ()
# Vector
v = np . array ([ 1 , 2 , 3 ])
v . shape # (3,)
# Numpy Indexing
v [ 1 :]
# Matrices
m = np . array ([[ 1 , 2 , 3 ], [ 4 , 5 , 6 ], [ 7 , 8 , 9 ]])
m . shape # (3, 3)
# Tensors
t = np . array ([[[[ 1 ],[ 2 ]],[[ 3 ],[ 4 ]],[[ 5 ],[ 6 ]]],[[[ 7 ],[ 8 ]], \
[[ 9 ],[ 10 ]],[[ 11 ],[ 12 ]]],[[[ 13 ],[ 14 ]],[[ 15 ],[ 16 ]],[[ 17 ],[ 17 ]]]])
t . shape # (3, 3, 2, 1)
# Changing Shapes
v = np . array ([ 1 , 2 , 3 , 4 ])
x = v [:, None ] # 같음 x = v.reshape(1,4)
x = v [:, None ] # 같음 x = v.reshape(4,1)
# Numpy 스타일의 메트릭스 데이터 변경
values = [ 1 , 2 , 3 , 4 , 5 ]
values = np . array ( values ) + 5
# values 타입이 ndarray 라면
values += 5
x = np . multiply ( some_array , 5 )
# some_array 타입이 ndarray 라면
x = some_array * 5
m *= 0 # Element 모두 0 만들기
Important Reminders About Matrix Multiplication
Order matters. Multiplying A•B is not the same as multiplying B•A.
= 행렬 곱의 순서가 변경되면 결과값은 바뀐다.
Data in the left matrix should be arranged as rows., while data in the right matrix should be arranged as columns.
= 왼쪽의 메트릭스 데이터 배열을 로우로, 오른쪽의 메트릭스 배열은 컬럼으로 되어야 한다.
Ex) = * ||
NumPy Matrix Multiplication
m = np . array ([[ 1 , 2 , 3 ],[ 4 , 5 , 6 ]])
m
# displays the following result:
# array([[1, 2, 3],
# [4, 5, 6]])
n = m * 0.25
n
# displays the following result:
# array([[ 0.25, 0.5 , 0.75],
# [ 1. , 1.25, 1.5 ]])
m * n
# displays the following result:
# array([[ 0.25, 1. , 2.25],
# [ 4. , 6.25, 9. ]])
np . multiply ( m , n ) # 같음 to m * n
# displays the following result:
# array([[ 0.25, 1. , 2.25],
# [ 4. , 6.25, 9. ]])
a = np . array ([[ 1 , 2 , 3 , 4 ],[ 5 , 6 , 7 , 8 ]])
a
# displays the following result:
# array([[1, 2, 3, 4],
# [5, 6, 7, 8]])
a . shape
# displays the following result:
# (2, 4)
b = np . array ([[ 1 , 2 , 3 ],[ 4 , 5 , 6 ],[ 7 , 8 , 9 ],[ 10 , 11 , 12 ]])
b
# displays the following result:
# array([[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9],
# [10, 11, 12]])
b . shape
# displays the following result:
# (4, 3)
c = np . matmul ( a , b ) # np.multiply(a, b) 와 동작이 다름
c
# displays the following result:
# array([[ 70, 80, 90],
# [158, 184, 210]])
c . shape
# displays the following result:
# (2, 3)
# Shape가 맞지 않으면 오류 발생
np . matmul ( b , a )
# displays the following error:
# ValueError: shapes (4,3) and (2,4) not aligned: 3 (dim 1) != 2 (dim 0)
NumPy’s dot function
matmul differs from dot in two important ways.
matmul 은 dot과 2가지가 다르다.
Multiplication by scalars is not allowed.
scalars 값과 Multiplication이 허용되지 않는다.
Stacks of matrices are broadcast together as if the matrices were elements.
요소가 메트릭스라면 메트릭스 스택이 브로드 케스팅 된다. (…어렵다.. 브로드캐스팅 개념 링크 추가)
Transpose
메트릭스에서 행과 열을 바꾸기
m = np . array ([[ 1 , 2 , 3 , 4 ], [ 5 , 6 , 7 , 8 ], [ 9 , 10 , 11 , 12 ]])
m
# displays the following result:
# array([[ 1, 2, 3, 4],
# [ 5, 6, 7, 8],
# [ 9, 10, 11, 12]])
m . T
# displays the following result:
# array([[ 1, 5, 9],
# [ 2, 6, 10],
# [ 3, 7, 11],
# [ 4, 8, 12]])
MAX & MIN
메트릭스의 최대, 최소, 평균 값 구하기
m = np . array ([[ 1 , 2 , 3 , 4 ], [ 5 , 6 , 7 , 8 ], [ 9 , 10 , 11 , 12 ]])
m
# displays the following result:
# array([[ 1, 2, 3, 4],
# [ 5, 6, 7, 8],
# [ 9, 10, 11, 12]])
np . min ( m ) # 최소값
1
type ( np . min ( m ))
< class ' numpy . int64 '>
np.max(m) # 최대값
12
type(np.max(m))
<class ' numpy . int64 '>
np.mean(m) # 평균값
6.5
type(np.mean(m))
<class ' numpy . float64 '>