01. 헬로 파이썬

ch01 헬로 파이썬¶

1.4 파이썬 스크립트 파일¶

1.4.2 클래스¶

개발자가 직접 클래스를 정의하면 독자적인 자료형을 만들 수 있다. 또한 클래스에는 그 클래스만의 전용 함수(method)와 속성(Attribute)를 정의 할 수도 있다.

파이썬에서는 class라는 키워드를 사용하여, 클래스를 정의한다. 클래스의 구조는 다음과 같다.

class 클래스 이름 : 
    def __init__(self, 인수, ...):     #생성자
        ...
    def 메서드이름1(self,인수, 인수,...):    #메서드1
        ...
    def 메서드이름2(self, 인수, 인수,...):   #메서드2
        ...

클래스의 정의에는 init 이라는 특별한 메서드가 있는데, 클래스를 초기화 하는 방법을 정의한다. 이 초기화용 메서드를 constructor(생성자) 라고도 하며, 클래스의 인스턴스가 만들어질 때 한번만 불린다. 또, 파이썬에는 메서드의 첫 번째 인수로 자신(자신의 인스턴스)을 나타내는 self를 명시적으로 쓰는것이 특징이다. 다음은 class의 예시이다.

In [1]:

class Man:
    def __init__(self,name):
        self.name = name
        print("Initialized!")
    def hello(self):
        print("Hello " + self.name + " !")
    def goodbye(self):
        print("Good-bye "+self.name + " !")


m = Man("David")    #생성자 호출
m.hello() #메서드 호출
m.goodbye() #메서드 호출

Initialized!
Hello David !
Good-bye David !

여기에서는 Man이라는 새로운 클래스를 정의했다. 그리고 Man클래스에서 m이라는 인스턴스(객체)를 생성했다. Man의 생성자(초기화 메서드는) name이라는 인수를 받고, 그 인수로 인스턴스 변수인 self.name을 초기화한다. 인스턴스 변수는 인스턴스별로 저장되는 변수이다. 파이썬에서는 self.name처럼 self 다음에 속성 이름을 써서, 인스턴스 변수를 작성하거나 접근할 수 있다.

1.5 넘파이¶

딥러닝을 구현하다 보면 배열이나 행렬 계산이 많이 등장한다. 넘파이의 배열 클래스인 numpy.array에는 편리한 메서드가 많이 준비되어 있어, 딥러닝을 구현할 때 이 메서드들을 이용한다.

1.5.1 Numpy import¶

넘파이는 외부 라이브러리 이다. 그래서 우선 넘파이 라이브러리를 쓸 수 있도록 가져와야(import)한다.

In [2]:

import numpy as np

1.5.2 넘파이 배열 생성하기¶

넘파이 배열 을 만들 때는 np.array() 메서드를 이용한다. np.array()는 파이썬의 리스트를 인수로 받아 넘파이 라이브러리가 제공하는 특수한 형태의 배열(numpy.ndarray)를 반환한다.

In [3]:

x = np.array([1.0,2.0,3.0])   #list를 인수로 받아 numpy.ndarray를 반환
print("x:",x)
print("type(x):",type(x)) 

x: [1. 2. 3.]
type(x): <class 'numpy.ndarray'>

1.5.3 넘파이의 산술 연산¶

넘파이 배열로 산술 연산을 수행하는 예이다.

In [4]:

x = np.array([1.0,2.0,3.0])
y = np.array([2.0,4.0,6.0])

In [5]:

x+y

Out[5]:

array([3., 6., 9.])

In [6]:

x-y

Out[6]:

array([-1., -2., -3.])

In [7]:

x*y   #행렬곱이 아닌 원소별 곱셈

Out[7]:

array([ 2.,  8., 18.])

In [8]:

x/y

Out[8]:

array([0.5, 0.5, 0.5])

여기에서 주의할 점은 배열 x와 y의 원소 수가 같다는 것이다. x와 y의 원소 수가 같다면 산술 연산은 각 원소에 대해서 행해진다. 원소 수가 다르면 오류가 발생한다. '원소별' 이라는 말은 element-wise라고 한다. '원소별 곱셈'은 element-wise product라고 한다.

넘파이 배열은 원소별 계산뿐 아니라 넘파이 배열과 수치 하나(스칼라 값)의 조합으로 된 산술 연산도 수행할 수 있다. 이 경우 스칼라값과의 계산이 넘파이 배열의 원소별로 한 번씩 수행된다. 이 기능을 브로드캐스트 라고 한다.

In [9]:

x = np.array([1.0,2.0,3.0])
x/2.0

Out[9]:

array([0.5, 1. , 1.5])

넘파이의 N차원 배열¶

넘파이는 1차원 배열(1줄로 늘어선 배열)뿐 아니라 다차원 배열도 작성할 수 있다. 예를 들어 2차원 배열(행렬)은 다음처럼 작성한다.

In [10]:

A = np.array([[1,2],[3,4]])
print(A)
print("A.shape :",A.shape)
print("A.dtye: ",A.dtype)

[[1 2]
 [3 4]]
A.shape : (2, 2)
A.dtye:  int64

In [11]:

B = np.array([[3,0],[0,6]])
print("A+B :\n",A+B)
print("A*B :\n",A*B)

A+B :
 [[ 4  2]
 [ 3 10]]
A*B :
 [[ 3  0]
 [ 0 24]]

In [12]:

print(A*10)

[[10 20]
 [30 40]]

1.5.5 브로드캐스트¶

넘파이에서는 형상이 다른 배열끼리도 계산할 수 있다. 앞의 예에서는 2x2 행렬 A에 스칼라 값 10을 곱했다. 이때, 10 이라는 스칼라 값이 2x2 행렬로 확대된 후 연산이 이뤄진다. 이 기능을 브로드캐스트 라고 한다.

In [13]:

A = np.array([[1,2],[3,4]])
B = np.array([10,20])
A*B

Out[13]:

array([[10, 40],
       [30, 80]])

1.5.6 원소접근¶

In [14]:

X = np.array([[51,55],[14,19],[0,4]])
print(X)

[[51 55]
 [14 19]
 [ 0  4]]

In [15]:

# 0행 인덱싱
print(X[0])
# (0,1) 위치의 원소
print(X[0][1])

[51 55]
55

In [16]:

for row in X:
    print(row)
#행별 접근

[51 55]
[14 19]
[0 4]

In [17]:

X = X.flatten() #X를 1차원 배열로 변환(평탄화)
print(X)

[51 55 14 19  0  4]

In [18]:

X[np.array([0,2,4])] #인덱스가 0,2,4인 원소 얻기

Out[18]:

array([51, 14,  0])

In [19]:

X > 15   #조건에 맞는 값은 True, 아닌값은 False, boolean array return

Out[19]:

array([ True,  True, False,  True, False, False])

In [20]:

X[X>15]  #boolean array를 이용한 indexing

Out[20]:

array([51, 55, 19])

1.6 matplotlib¶

딥러닝 실험에서는 그래프 그리기와 데이터 시각화도 중요하다. matplotlib 은 그래프를 그려주는 라이브러리이다. matplotlib을 사용하면, 그래프 그리기와 데이터 시각화가 쉬워진다.

1.6.1 단순한 그래프 그리기¶

그래프를 그리려면 matplotlib의 pyplot 모듈을 이용한다.

In [21]:

import numpy as np
import matplotlib.pyplot as plt

In [22]:

#데이터 준비
x = np.arange(0,6,0.1)    # 0에서 6까지 0.1간격으로 생성
y = np.sin(x)   #sin값

plt.title("Sin Graph")
#그래프 그리기
plt.plot(x,y)
plt.show()

1.6.2 pyplot의 기능¶

In [23]:

import numpy as np
import matplotlib.pyplot as plt

In [24]:

#데이터 준비
x = np.arange(0,6,0.1) # 0에서 6까지 0.1간격으로 생성
y1 = np.sin(x)
y2 = np.cos(x)

#그래프 그리기
plt.plot(x,y1, label = 'sin')    #sin label을 붙임
plt.plot(x,y2, label = 'cos',linestyle = '--')     #cos label을 붙임 linestyle은 점선
plt.xlabel("X")  #x축 이름 설정
plt.ylabel("Y")  #y축 이름 설정

plt.title("sin & cos")    #제목
plt.legend()    #범례
plt.show()

1.6.3 이미지 표시하기¶

pyplot에는 이미지를 표시해주는 메서드인 imshow()도 준비되어 있다, 이미지를 읽어들일 때는 matplotlib.image 모듈의 imread()메서드를 이용한다.

In [25]:

import matplotlib.pyplot as plt
from matplotlib.image import imread

img = imread("./data/cactus.jpg")

plt.imshow(img)    #img 표시하기
plt.show()