Python'da Vektörleştirme ve Yayınlama

Vektörleştirme ve Yayın, Numpy ile matematiksel işlemler yaparken hesaplama süresini hızlandırmanın ve bellek kullanımını optimize etmenin yollarıdır. Bu yöntemler, algoritmaların herhangi bir darboğazla karşılaşmaması için zaman karmaşıklığının azaltılmasını sağlamak için çok önemlidir. Bu optimize edilmiş işlem, uygulamaların ölçeklenebilir olması için gereklidir. Her iki tekniği de gözden geçireceğiz ve bazı örnekler uygulayacağız.

Bu eğitimin sonunda, aşağıdaki bilgilere sahip olacaksınız:

• Vectorization, Numpy tarafından nasıl işlenir?
• Vectorization olan ve olmayan zaman farkları
• Yayıncılık nedir
• Yayın, normal Matrix çarpmasından ne kadar farklıdır?

vektörleştirme

Çoğu zaman dizi çarpması gibi diziler üzerinde matematiksel işlemlere ihtiyaç duyarız. Şimdi, vektörleştirilmemiş bir yol, bir döngü kullanarak element bilge çarpma yapmak olacaktır. Bunu bu şekilde uygulamak, aynı çarpma işleminin birden çok kez yapılmasına neden olur, bu da veri boyutu çok büyükse hesaplama kaynaklarının israfına neden olur. Hadi hızlıca bir göz atalım.

Vektörleştirilmemiş yol:

Vektörize yol:

Gördüğümüz gibi, geçen süre 658 mikrosaniyeden sadece 7,25 mikrosaniyeye çıktı. Bunun nedeni, a = np.array([]) dediğimizde , tüm işlemlerin dahili olarak numpy tarafından işlenmesidir. Ve a*b yaptığımızda , numpy tüm diziyi vektörleştirme yoluyla bir kerede dahili olarak çarpar.

Burada, makinenizde farklılık gösterebilecek işlemin yürütülmesini zamanlamak için %timeit magic komutunu kullanıyoruz.

Boyutları (nx1) ve (1xm) olan 2 vektörün dış çarpımlarının başka bir örneğine bakalım. Çıktı (nxm) olacaktır.

Şimdi bunu Numpy ile yapalım,

Yine gördüğümüz gibi, Numpy vektörleştirme ile aynı işlemi daha hızlı işler.

Mutlaka Okuyun: Gerçek Dünyada Büyüleyici Python Uygulamaları

Şimdiye kadar aynı boyutta dizilerin kullanıldığı örnekler gördük. Ya dizilerin boyutları farklıysa? Numpy'nin bir başka harika özelliği olan Broadcasting burada devreye giriyor.

Yayın, vektörleştirmenin bir başka uzantısıdır, burada toplama, çıkarma, çarpma vb. işlemler için dizilerin aynı boyutlarda olması gerekmez. Bunu bir dizi ve skaler toplamaya ilişkin çok basit bir örnekle anlayalım.

Gördüğümüz gibi, tüm elemanlara skaler 5 eklendi. Peki nasıl oldu?

Süreci hayal etmek için, daha sonra a dizisine eklenen bir dizi yapmak için skaler 5'in 4 kez tekrarlandığını düşünebilirsiniz. Ancak unutmayın, Numpy yalnızca bellekte yer kaplayacak bu tür diziler oluşturmaz. Numpy, a dizisine eklemek için yalnızca "yayınlar" veya skaler 5'i 4'e kadar çoğaltır.

Başka bir kolay örnek alalım.

Yukarıdaki örnekte, şekil (3,1) dizisi, a dizisiyle eşleşmesi için (3,3)'e yayınlanmıştır.

Ancak bu, herhangi bir boyuta sahip herhangi bir dizinin, herhangi bir boyuta sahip bir diziyi eşleştirmek için yayınlanabileceği anlamına mı geliyor?

HAYIR!

yayın kuralları

Numpy, yalnızca ölçütleri izleyen dizilerin yayınlandığından emin olmak için bir dizi kolay kural izler. Hadi bir bakalım.

Yayın kuralı, çalıştırılacak 2 dizinin ya aynı boyutlara sahip olması gerektiğini ya da bunlardan birinin 1 olması gerektiğini söylüyor.

Bunun eylemde olduğunu görelim.

Örnek 1:

Aşağıdaki boyut dizilerini göz önünde bulundurun:

a = 3 x 4 x 7

b = 3 x 4 x 1

Burada b'nin son boyutu, a'nın 7'ye uyması için yayınlanacak.

Dolayısıyla sonuç = 3 x 4 x 7

Örnek 2:

a = 3 x 4 x 7

b = 4

Şimdi, a ve b'nin boyutlarının sayısı eşit değil. Bu gibi durumlarda, daha az sayıda boyuta sahip dizi 1 ile doldurulacaktır.

Yani burada, b'nin ilk ve son boyutları 1'dir, yani a'nın 3 ve 7'ye uyması için yayınlanacaklar.

Dolayısıyla sonuç = 3 x 4 x 7.

Okuyun: Python Eğitimi

Örnek 3:

a = 3 x 4 x 1 x 5

b = 3 x 1 x 7 x 1

Burada yine b'nin ikinci ve son boyutları a'ya 4 ve 5'e uyacak şekilde yayınlanacaktır. Ayrıca a'nın üçüncü boyutu da b'ye 7'ye uyacak şekilde yayınlanacaktır.

Dolayısıyla sonuç = 3 x 4 x 7 x 5

Şimdi koşulun ne zaman başarısız olduğunu görelim:

Örnek 4:

a = 3 x 4 x 7 x 5

b = 3 x 3 x 7 x 4

Burada b'nin ikinci ve dördüncü boyutları a ile eşleşmiyor ve ikisi de 1 değil. Bu durumda Python bir değer hatası verecektir:

Örnek 5:

a = 3 x 4 x 1 x 5

b = 3 x 2 x 3

Sonuç: Değer Hatası

Burada da ikinci boyut eşleşmiyor ve ikisi için de 1 değil.

Gitmeden önce

Her ikisi de vektörleştirme ve Yayınlama, Numpy'nin işlemesini optimize etme ve daha verimli hale getirme yöntemleridir. Bu kavramlar özellikle görüntü verisi ve Sinir Ağlarında çok yaygın olan matrisler ve n boyutlu dizilerle uğraşırken akılda tutulmalıdır.

Python, veri bilimi hakkında bilgi edinmek istiyorsanız, çalışan profesyoneller için oluşturulan ve 10'dan fazla vaka çalışması ve proje, pratik uygulamalı atölye çalışmaları, endüstri uzmanlarıyla mentorluk sunan IIIT-B & upGrad'ın Veri Biliminde PG Diplomasına göz atın. Sektör danışmanlarıyla bire bir, en iyi firmalarla 400+ saat öğrenim ve iş yardımı.