NumPy

لماذا NumPy؟

قوائم Python مرنة لكنها بطيئة في العمليات العددية الكبيرة. توفر NumPy مصفوفة ndarray متجانسة النوع مخزنة بشكل متصل في الذاكرة، وعملياتها مكتوبة بلغة C. معظم مكتبات الذكاء الاصطناعي تبني على هذا النموذج أو تتوافق معه.

إنشاء المصفوفات

import numpy as np

a = np.array([1, 2, 3])
m = np.array([[1, 2, 3], [4, 5, 6]])
np.zeros((2, 3))
np.ones(4)
np.arange(0, 10, 2)        # [0 2 4 6 8]
np.linspace(0, 1, 5)       # خمس قيم متساوية التباعد
rng = np.random.default_rng(42)
rng.normal(size=(3, 2))    # قيم عشوائية من توزيع طبيعي

الشكل والأبعاد

m.shape    # (2, 3)
m.ndim     # 2
m.dtype    # int64 (حسب المنصة)
m.reshape(3, 2)
m.T        # المنقول

العمليات المتجهة

x = np.array([1.0, 2.0, 3.0])
x * 2          # [2. 4. 6.]
x ** 2         # [1. 4. 9.]
np.exp(x)
x.mean(), x.std(), x.sum()

لا حاجة إلى حلقة؛ العملية تُطبق على كل العناصر.

البث

X = np.array([[1, 2], [3, 4], [5, 6]])   # (3, 2)
mu = X.mean(axis=0)                     # (2,) متوسط كل عمود
X_centered = X - mu                     # بث على كل صف

هذا السطر الأخير هو جوهر عملية توسيط البيانات قبل كثير من الخوارزميات.

الفهرسة المنطقية

scores = np.array([0.4, 0.9, 0.7, 0.2])
scores[scores > 0.5]          # [0.9 0.7]
(scores > 0.5).astype(int)    # [0 1 1 0]

الجبر الخطي

W = np.array([[0.5, -1.0], [2.0, 0.1]])
v = np.array([1.0, 2.0])
W @ v                 # ضرب مصفوفة في متجه
np.linalg.inv(W)
np.linalg.norm(v)

العملية @ هي ضرب المصفوفات، وهي العملية الأساسية في طبقات الشبكات العصبية.