Numpy Basic

1. Numpy - Basic
2. [Numpy - Broadcasting] - 작성 중
3. [Numpy - DL functions] - 작성 중

1. Numpy Basic

python에서 tensorflow등을 통해 Deep Learning 관련 연산을 할 때, 꼭 필요한 package라고 할 수 있는 numpy에 대해 정리했다. numpy가 없어도 tensorflow를 못하는건 아니지만, numpy를 통해 코드 간소화, 처리 능력이 확연히 달라지기 때문에 알아야 할 필요가 있다.

numpy package

numpy는 python에서 computer sicence 관련 계산을 위한 필수적인 package이며 DL분야(?)에서도 필수(!)적인 역할을 담당한다. numpy는 아래와 같은 기능을 제공한다

1. powerful N-dimensional array object

2. Sophiscated (broadcasting) functions

3. tools for intergrating C/C++ and Fortran code

4. useful linear algebra, Fourier transform, and random number capabilities

numpy가 DL에서 많이 쓰이는 이유는 vector 연산 때문이라고 할 수 있는데 실제로 for loop 보다 작은 code line, operation time으로 동작 가능하다.

numpy array

numpy에서 array는 동일한 자료형의 값들의 모임을 의미하고, 배열의 차원을 rank, 각 차원의 크기를 tuple로 표시하는 것을 shape라고 한다.

• 예를 들어 2 * 3의 2차원 array에서 rank는 2, shape는 (2, 3)이다.

numpy array operation

basic operations

import numpy as np

x = np.array([[1, 2], [3, 4]], dtype = np.float64)
y = np.array([[5, 6], [7, 8]], dtype = np.float64)

print("x+y")
print(np.add(x, y))
#[[6, 8]
# [10, 12]]

print("x-y")
print(np.substract(x, y))
#[[-4, -4]
# [-4, -4]]

행렬의 +, - 연산은 예상(?)과 마찬가지로 아래와 같다.

multiplication operations

numpy package는 computer science관련 계산에 장점이 있는 만큼 곱 연산(multiplication operation) 에서 편리한 연산자를 제공한다. multiply연산은 요소 별, 혹은 성분 곱 연산을 제공하며, 행렬 곱(inner product)은 dot 연산자를 통해 구할 수 있다.

print("x*y")
print(np.multiply(x, y))
#[[5, 12]
# [21, 32]]

print("x dot y")
print(np.dot(x, y))
#[[19, 22]
# [43, 50]]