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)
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.
X[2]X[:, 1]X.TX.sum(axis=0)X.sum(axis=1)X @ wX[1:4]X.reshape(3, 6)X[:, None, :]X.mean()(()를 쓰세요)
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.