[부스트캠프 AI Tech 5기] Pre-Course : (5) numpy part I

📖 코드로 방정식 표현하기

coefficient_matrix = [[2, 2, 1], [2, -1, 2], [1, -1, 2]]
constant_vector = [9,6,5]

• 다양한 Matrix 계산을 어떻게 만들 것인가?
• 굉장히 큰 Matrix에 대한 표현
• 처리 속도 문제 - python은 Interpreter 언어

📖 numpy

• Numerical Python
• 파이썬의 고성능 과학 계산용 패키지
• Matrix와 Vector와 같은 Array 연산의 사실상의 표준
• 한글로는 넘파이로 주로 통칭
• 누군가는 넘피/늄파이라고 부르기도 함
• 일반 List에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 배열에 대한 처리를 지원함
• 선형대수와 관련된 다양한 기능을 제공함
• C, C++, 포트란 등의 언어와 통합 가능

📖 numpy install

activate ml
conda install numpy

• Windows 환경에선 conda로 패키지 관리 필요 (C 패키지 핸들링 등)
• jupyter 등을 설치한 상태에서는 추가 설치 필요 없음

📖 python import numpy as np

• numpy의 호출 방법
• 일반적으로 numpy는 np라는 alias(별칭) 이용해서 호출함
• 특별한 이유는 없음, 세계적인 약속 같은 것

📖 array creation

test_array = np.array([1, 4, 5, 8], float)
print(test_array)
type(test_array[3])

• numpy는 np.array 함수를 활용하여 배열을 생성함 ➔ ndarray
• numpy는 하나의 데이터 type만 배열에 넣을 수 있음
• List와 가장 큰 차이점 ➔ dynamic typing not supported
• C의 Array를 사용하여 배열을 생성함

test_array = np.array([1, 4, 5, 8], float)
test_array

array([ 1., 4., 5., 8.])

test([test_array[3]])

numpy.float64

(출처 : https://jakevdp.github.io/blog/2014/05/09/why-python-is-slow/)

(출처 : https://www.slideshare.net/enthought/numpy-talk-at-siam)

• shape : numpy array의 dimension 구성을 반환함
• dtype : numpy array의 데이터 type을 반환함

# String Type의 데이터를 입력해도
test_array = np.array([1, 4, 5, "8"], float)
print(test_array)

array([ 1., 4., 5., 8.])

# Float Type으로 자동 형변환을 실시
print(type(test_array[3]))

numpy.float64

# Array(배열) 전체의 데이터 Type을 반환함
print(test_array.dtype)

dtype('float64')

# Array(배열) 의 shape을 반환함
print(test_array.shape)

(4,)

📖 array shape

• array의 RANK에 따라 불리는 이름이 있음

Rank	Name	Example
0	scalar	7
1	vector	[10, 10]
2	matrix	[[10, 10], [15, 15]]
3	3-tensor	[[[ 1, 5, 9], [ 2, 6, 10]], [[ 3, 7, 11], [ 4, 8, 12]]]
n	n-tensor

• vector

test_array = np.array([1, 4, 5, "8"], float) # shape = (4,)
test_array

array([ 1., 4., 5., 8.])

• matrix

matrix = [[1,2,5,8],[1,2,5,8],[1,2,5,8]]
np.array(matrix, int).shape

(3, 4)

• 3rd order tensor
• ndim - number of dimensions
• side - data의 개수

tensor = [[[1,2,5,8],[1,2,5,8],[1,2,5,8]],
          [[1,2,5,8],[1,2,5,8],[1,2,5,8]],
          [[1,2,5,8],[1,2,5,8],[1,2,5,8]]]
np.array(tensor, int).shape

(4, 3, 4)

📖 array dtype

• ndarray의 single element가 가지는 data type
• 각 element가 차지하는 memory의 크기가 결정됨

# data type을 integer로 선언
np.array([1, 2, 3], [4.5, 5, 6], dtype=int)

array([[1, 2, 3],
	   [4, 5, 6]])

# data type을 float로 선언
np.array([1, 2, 3], [4.5, "5", "6"], dtype=np.float32)

array([[ 1. , 2. , 3. ],
	   [ 4.5, 5. , 6. ]], dtype=float32)

• C의 data type과 compatible
  

(출처 : https://www.slideshare.net/enthought/numpy-talk-at-siam)

📖 array nbytes

• nbytes - ndarray obeject의 메모리 크기를 반환함

# 32bits = 4bytes -> 6 * 4bytes
np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.float32).nbytes

24

# 8bits = 1bytes -> 6 * 1bytes
np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.int8).nbytes

6

# 64bits = 8bytes -> 6 * 8bytes
np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.float64).nbytes

48

<이 게시물은 최성철 교수님의 numpy 강의 자료를 참고하여 작성되었습니다.>

본 포스트의 학습 내용은 [부스트캠프 AI Tech 5기] Pre-Course 강의 내용을 바탕으로 작성되었습니다.
부스트캠프 AI Tech 5기 Pre-Course는 일정 기간 동안에만 운영되는 강의이며,
AI 관련 강의를 학습하고자 하시는 분들은 부스트코스 AI 강좌에서 기간 제한 없이 학습하실 수 있습니다.
(https://www.boostcourse.org/)