🧠 np.vectorize를 사용하면서 했던 실수와 깨달음
최근에 ReLU 함수를 그리기 위해 np.vectorize를 사용했는데, 예상과는 다른 동작을 보고 당황했던 적이 있다. 이번 포스팅에서는 내가 어떤 실수를 했고, np.vectorize가 어떻게 작동하는지를 정리해보려고 한다.
🧪 내가 처음 작성했던 코드
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-5, 5, 100)
def relu(x: float) -> float:
if x <= 0:
return 0
else:
return (x + abs(x)) / 2
y = np.vectorize(relu)(x)
plt.plot(x, y)
plt.xlabel("x")
plt.ylabel("f(x)")
plt.title("ReLU Function")
plt.show()🤯 그리고 했던 실수
나는 f(x)를 직접 출력해서 f(x) 자체가 배열을 반환할 것이라 착각했다.
print(f(x)) # ❌ 예상: 배열 / 실제: 오류 혹은 단일 값하지만 relu 함수는 스칼라 입력만 받도록 설계된 함수였기 때문에, x 전체를 직접 넣으면 에러가 나거나 예상치 못한 결과가 나왔다.
🔍 그럼 np.vectorize는 뭘까?
np.vectorize는 사실 진짜 벡터 연산이 아니다. 그저 루프를 돌면서 각각의 원소에 함수를 적용해주는 일종의 포장(wrapper) 함수다.
y = np.vectorize(relu)(x)위 코드는 내부적으로 아래와 같은 루프를 도는 것과 같다:
✅ 리스트 컴프리헨션으로 ReLU 구현하기
np.vectorize를 쓰지 않고, 파이썬 기본 문법으로도 동일한 처리가 가능하다.
y = [relu(i) for i in x]이것도 각 요소마다 relu(i)를 적용하는 루프와 같다. 실제로는 더 명확하고 직관적일 수 있다.
🧠 번외: 진짜 ReLU는 이렇게도 가능하다!
NumPy의 강력한 내장 연산을 사용하면 훨씬 빠르고 간단하게 ReLU를 구현할 수 있다:
y = np.maximum(0, x)속도도 빠르고, 가독성도 높다. 대규모 데이터에서는 이게 훨씬 효율적이다.
📌 정리
| 개념 | 설명 |
|---|---|
np.vectorize | 내부적으로 루프 돌며 각 원소에 함수 적용 |
f(x) 문제 | 스칼라 입력만 가능. 배열 입력 시 에러 발생 |
| 대안 1 | np.vectorize(f)(x) — 간편하지만 느릴 수 있음 |
| 대안 2 | [f(i) for i in x] — 파이썬 기본 문법 |
| 대안 3 | np.maximum(0, x) — 벡터화된 연산, 가장 빠름 |
