강의 계획 레슨 246개 중 10번째 · 모듈 1: 이 강좌를 위한 Python
모듈 1: 이 강좌를 위한 Python

모양: 행, 열, 배치

왜 중요한가 신경망 코드의 버그 대부분은 모양 버그예요. 줄을 실행하기 전에 모양을 예측할 수 있다면 빨리 찾을 거예요.

모든 배열에는 .shape가 있어요: 각 방향의 크기를 주는 튜플. 숫자 5개의 리스트는 모양이 (5,)예요. 3행 4열의 표는 모양이 (3, 4)예요. 각각 28 × 28 픽셀인 이미지 32장의 배치는 모양이 (32, 28, 28)이에요.

작은 숫자

X = np.zeros((3, 4))
X.shape          # (3, 4)
X[0].shape       # (4,)   one row
X[:, 0].shape    # (3,)   one column
X.T.shape        # (4, 3) transposed
X.sum(axis=0).shape  # (4,)  summed down the rows: one total per column

None으로 방향 더하기

None으로 인덱싱하면 숫자는 하나도 바꾸지 않고 그 자리에 크기 1인 새 방향을 끼워 넣어요. 모양 (5,)인 벡터 p에 대해 p[:, None]은 모양 (5, 1): 열이에요. (5, 3) 표의 각 행에 자기 숫자를 곱하는 방법이 그거예요: p[:, None] * X, 크기 1인 방향이 3개의 열에 걸쳐 복사되니까요. 마찬가지로 p[None, :]은 행, 모양 (1, 5)예요.

axis: 연산이 따라가는 방향. axis=0은 행을 따라 아래로 가고(열마다 결과 하나), axis=1은 각 행을 따라가요(행마다 결과 하나).

요약 줄을 실행하기 전에 모양을 소리 내어 말하세요.

이 레슨의 단어와 기호
배열
모두 같은 타입이고, 모든 항목에 한꺼번에 수학을 하는 NumPy 숫자 덩어리
모양
각 방향에 따른 배열의 크기, 예를 들어 (32, 64)는 64개씩 32행
axis
연산이 따라가는 방향: axis=0은 행을 따라 아래로, axis=1은 각 행을 따라
평균, 퍼짐
평균값, 그리고 값들이 그것에서 대략 얼마나 떨어져 있는지(표준 편차)
내 차례

X = np.zeros((6, 3)), w = np.zeros(3)일 때 아래 각 식의 모양을 실행하지 말고 예측하세요. predictions를 튜플로 채우세요. 그다음 실행해서 스스로 확인하세요.

  1. X[2]
  2. X[:, 1]
  3. X.T
  4. X.sum(axis=0)
  5. X.sum(axis=1)
  6. X @ w
  7. X[1:4]
  8. X.reshape(3, 6)
  9. X[:, None, :]
  10. X.mean()(()를 쓰세요)

이 레슨에서 문제를 발견했나요? 알려 주세요 · 이 레슨에 대해 묻기

이 연습은 곧 열려요

앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.