43 KiB
AITech — Uczenie maszynowe — laboratoria
1a. Podstawowe narzędzia uczenia maszynowego
Elementy języka Python przydatne w uczeniu maszynowym
Listy składane (_List comprehension)
Przypuśćmy, że mamy dane zdanie i chcemy utworzyć listę, która będzie zawierać długości kolejnych wyrazów tego zdania. Możemy to zrobić w następujący sposób:
zdanie = 'tracz tarł tarcicę tak takt w takt jak takt w takt tarcicę tartak tarł'
wyrazy = zdanie.split()
dlugosci_wyrazow = []
for wyraz in wyrazy:
dlugosci_wyrazow.append(len(wyraz))
print(dlugosci_wyrazow)[5, 4, 7, 3, 4, 1, 4, 3, 4, 1, 4, 7, 6, 4]
Możemy to też zrobić bardziej „pythonicznie”, przy użyciu list składanych:
zdanie = 'tracz tarł tarcicę tak takt w takt jak takt w takt tarcicę tartak tarł'
wyrazy = zdanie.split()
dlugosci_wyrazow = [len(wyraz) for wyraz in wyrazy]
print(dlugosci_wyrazow)[5, 4, 7, 3, 4, 1, 4, 3, 4, 1, 4, 7, 6, 4]
Jeżeli chcemy, żeby był sprawdzany dodatkowy warunek, np. chcemy pomijać wyraz „takt”, to wciąż możemy użyć list składanych:
zdanie = 'tracz tarł tarcicę tak takt w takt jak takt w takt tarcicę tartak tarł'
wyrazy = zdanie.split()
# Ta konstrukcja:
dlugosci_wyrazow = []
for wyraz in wyrazy:
if wyraz != 'takt':
dlugosci_wyrazow.append(wyraz)
# ...jest równoważna tej jednolinijkowej:
dlugosci_wyrazow = [len(wyraz) for wyraz in wyrazy if wyraz != 'takt']
print(dlugosci_wyrazow)[5, 4, 7, 3, 1, 3, 1, 7, 6, 4]
Indeksowanie
Wszystkie listy i krotki w Pythonie, w tym łańcuchy (które trakowane są jak krotki znaków), są indeksowane od 0:
napis = 'abcde'
print(napis[0]) # 'a'
print(napis[4]) # 'e'a e
Indeksy możemy liczyć również „od końca”:
napis = 'abcde'
print(napis[-1]) # 'e' („ostatni”)
print(napis[-2]) # 'd' („drugi od końca”)
print(napis[-5]) # 'a' („piąty od końca”)e d a
Łańcuchy możemy też „kroić na plasterki” (_slicing):
napis = 'abcde'
print(napis[1:4]) # 'bcd' („znaki od 1. włącznie do 4. wyłącznie”)
print(napis[1:2]) # 'b' (to samo co `napis[1]`)
print(napis[-3:-1]) # 'cd' (kroić można też stosując indeksowanie od końca)
print(napis[1:-1]) # 'bcd' (możemy nawet mieszać te dwa sposoby indeksowania)
print(napis[3:]) # 'de' (jeżeli koniec przedziału nie jest podany, to kroimy do samego końca łańcucha)
print(napis[:3]) # 'abc' (jeżeli początek przedziału nie jest podany, to kroimy od początku łańcucha)
print(napis[:]) # 'abcde' (kopia całego napisu)bcd b cd bcd de abc abcde
Biblioteka _NumPy
Tablice
Głównym obiektem w NumPy jest jednorodna, wielowymiarowa tablica. Przykładem takiej tablicy jest macierz x.
Macierz $x = \begin{pmatrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{pmatrix}$ można zapisać jako:
import numpy as np
x = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(x)[[1 2 3] [4 5 6] [7 8 9]]
Najczęsciej używane metody tablic typu array:
x.shape(3, 3)
x.sum(axis=0)array([12, 15, 18])
x.mean(axis=1)array([2., 5., 8.])
Do tworzenia sekwencji liczbowych jako obiekty typu array należy wykorzystać funkcję arange.
np.arange(10)array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(5, 10)array([5, 6, 7, 8, 9])
np.arange(5, 10, 0.5)array([5. , 5.5, 6. , 6.5, 7. , 7.5, 8. , 8.5, 9. , 9.5])
Kształt tablicy można zmienić za pomocą metody reshape:
x = np.arange(1, 13)
print(x)
y = x.reshape(3, 4)
print(y)[ 1 2 3 4 5 6 7 8 9 10 11 12] [[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]]
Funkcją podobną do arange jest linspace, która wypełnia wektor określoną liczbą elementów z przedziału o równych automatycznie obliczonych odstępach (w arange należy podać rozmiar kroku):
x = np.linspace(0, 5, 5)
print(x)[0. 1.25 2.5 3.75 5. ]
Dodatkowe informacje o funkcjach NumPy uzyskuje się za pomocą polecenia help(nazwa_funkcji):
help(np.shape)Help on function shape in module numpy:
shape(a)
Return the shape of an array.
Parameters
----------
a : array_like
Input array.
Returns
-------
shape : tuple of ints
The elements of the shape tuple give the lengths of the
corresponding array dimensions.
See Also
--------
alen
ndarray.shape : Equivalent array method.
Examples
--------
>>> np.shape(np.eye(3))
(3, 3)
>>> np.shape([[1, 2]])
(1, 2)
>>> np.shape([0])
(1,)
>>> np.shape(0)
()
>>> a = np.array([(1, 2), (3, 4)], dtype=[('x', 'i4'), ('y', 'i4')])
>>> np.shape(a)
(2,)
>>> a.shape
(2,)
Tablice mogą składać się z danych różnych typów (ale tylko jednego typu danych równocześnie, stąd jednorodność).
x = np.array([1, 2, 3])
print(x, "- typ: ", x.dtype)
x = np.array([0.1, 0.2, 0.3])
print(x, "- typ: ", x.dtype)
x = np.array([1, 2, 3], dtype='float64')
print(x, "- typ: ", x.dtype)[1 2 3] - typ: int32 [0.1 0.2 0.3] - typ: float64 [1. 2. 3.] - typ: float64
Tworzenie tablic składających się z samych zer lub jedynek umożliwiają funkcje zeros oraz ones:
x = np.zeros([3,4])
print(x)[[0. 0. 0. 0.] [0. 0. 0. 0.] [0. 0. 0. 0.]]
x = np.ones([3,4])
print(x)[[1. 1. 1. 1.] [1. 1. 1. 1.] [1. 1. 1. 1.]]
Podstawowe operacje arytmetyczne
Operatory arytmetyczne na tablicach w NumPy działają element po elemencie.
import numpy as np
a = np.array([3, 4, 5])
b = np.ones(3)
print(a - b)[2. 3. 4.]
Za mnożenie macierzy odpowiadają funkcje dot i matmul (nie operator *):
a = np.array([[1, 2], [3, 4]])
print(a)[[1 2] [3 4]]
b = np.array([[1, 2], [3, 4]])
print(b)[[1 2] [3 4]]
a * b # mnożenie element po elemenciearray([[ 1, 4],
[ 9, 16]])np.dot(a,b) # mnożenie macierzowearray([[ 7, 10],
[15, 22]])np.matmul(a,b) # mnożenie macierzowearray([[ 7, 10],
[15, 22]])Przykłady innych operacji dodawania i mnożenia:
a = np.zeros((2, 2), dtype='float')
a += 5
aarray([[5., 5.],
[5., 5.]])a *= 5
aarray([[25., 25.],
[25., 25.]])a + aarray([[50., 50.],
[50., 50.]])Sklejanie tablic:
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.array([7, 8, 9])
np.hstack([a, b, c])array([1, 2, 3, 4, 5, 6, 7, 8, 9])
np.vstack([a, b, c])array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])Typowe funkcje matematyczne:
x = np.arange(1, 5)
np.sqrt(x) * np.piarray([3.14159265, 4.44288294, 5.44139809, 6.28318531])
2**416
np.power(2, 4)16
np.log(np.e)1.0
x = np.arange(5)
x.max() - x.min()4
Indeksy i zakresy
Tablice jednowymiarowe zachowują sie podobnie do zwykłych list pythonowych.
a = np.arange(10)
a[2:4]array([2, 3])
a[:10:2]array([0, 2, 4, 6, 8])
a[::-1]array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
Tablice wielowymiarowe mają po jednym indeksie na wymiar:
x = np.arange(12).reshape(3, 4)
xarray([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])x[2, 3]11
x[:, 1]array([1, 5, 9])
x[1, :]array([4, 5, 6, 7])
x[1:3, :]array([[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])Warunki
Warunki pozwalają na selekcję elementów tablicy.
a = np.array([1, 1, 1, 2, 2, 2, 3, 3, 3])
a[a > 1]array([2, 2, 2, 3, 3, 3])
a[a == 3]array([3, 3, 3])
np.where(a < 3)(array([0, 1, 2, 3, 4, 5], dtype=int64),)
np.where(a < 3)[0]array([0, 1, 2, 3, 4, 5], dtype=int64)
np.where(a > 9)(array([], dtype=int64),)
Pętle i wypisywanie
for row in x:
print(row)[0 1 2 3] [4 5 6 7] [ 8 9 10 11]
for element in x.flat:
print(element) 0 1 2 3 4 5 6 7 8 9 10 11
Liczby losowe
np.random.randint(0, 10, 5)array([2, 0, 7, 3, 5])
np.random.normal(0, 1, 5) array([-0.7907838 , -0.65971486, 0.0375355 , 2.00045956, 0.32631216])
np.random.uniform(0, 2, 5)array([1.50130054, 1.20710594, 0.45451505, 0.70098876, 0.90371663])
Macierze
NumPy jest pakietem wykorzystywanym do obliczeń w dziedzinie algebry liniowej, co jeszcze szczególnie przydatne w uczeniu maszynowym.
Wektor o wymiarach $1 \times N$ $$ x = \begin{pmatrix} x_{1} \\ x_{2} \\ \vdots \\ x_{N} \end{pmatrix} $$
i jego transpozycję $x^\top = (x_{1}, x_{2},\ldots,x_{N})$ można wyrazić w Pythonie w następujący sposób:
import numpy as np
x = np.array([[1, 2, 3]]).T
x.shape(3, 1)
xt = x.T
xt.shape(1, 3)
Macierz kolumnowa w NumPy.
$$X =
\begin{pmatrix}
3 \\
4 \\
5 \\
6
\end{pmatrix}$$
x = np.array([[3,4,5,6]]).T
xarray([[3],
[4],
[5],
[6]])Macierz wierszowa w NumPy. $$ X = \begin{pmatrix} 3 & 4 & 5 & 6 \end{pmatrix}$$
x = np.array([[3,4,5,6]])
xarray([[3, 4, 5, 6]])
Oprócz obiektów typu array istnieje wyspecjalizowany obiekt matrix, dla którego operacje * (mnożenie) oraz **-1 (odwracanie) są określone w sposób właściwy dla macierzy (w przeciwieństwie do operacji elementowych dla obiektów array).
x = np.array([1,2,3,4,5,6,7,8,9]).reshape(3,3)
print(x)[[1 2 3] [4 5 6] [7 8 9]]
y = np.array([4,6,3,8,7,1,3,0,3]).reshape(3,3)
print(y)[[4 6 3] [8 7 1] [3 0 3]]
X = np.matrix(x)
Y = np.matrix(y)print(x * y) # Tablice np.array mnożone są element po elemencie[[ 4 12 9] [32 35 6] [21 0 27]]
print(X * Y) # Macierze np.matrix mnożone są macierzowo[[ 29 20 14] [ 74 59 35] [119 98 56]]
print(np.matmul(x, y))[[ 29 20 14] [ 74 59 35] [119 98 56]]
Wyznacznik macierzy
a = np.array([[3,-9],[2,5]])
np.linalg.det(a)33.000000000000014
Macierz odwrotna
A = np.array([[-4,-2],[5,5]])
Aarray([[-4, -2],
[ 5, 5]])invA = np.linalg.inv(A)
invAarray([[-0.5, -0.2],
[ 0.5, 0.4]])np.round(np.dot(A, invA))array([[1., 0.],
[0., 1.]])(ponieważ $AA^{-1} = A^{-1}A = I$).
Wartości i wektory własne
a = np.diag((1, 2, 3))
aarray([[1, 0, 0],
[0, 2, 0],
[0, 0, 3]])w, v = np.linalg.eig(a)
print(w) # wartości własne
print(v) # wektory własne[1. 2. 3.] [[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]
Biblioteka PyTorch
Biblioteka PyTorch została stworzona z myślą o uczeniu maszynowym. Oprócz wykonywania rozmaitych działań matematycznych takich jak te, które można wykonywać w bibliotece NumPy, dostarcza metod przydatnych w uczeniu maszynowym, z których chyba najbardziej charakterystyczną jest automatyczne różniczkowanie (moduł autograd).
Ale o tym później.
Instalacja
pip install torch torchvision
lub
conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch
Tensory
Podstawowym typem danych dla pakietu pytorch jest tensor (torch.tensor). Tensor to uogólnienie macierzy na dowolną liczbę wymiarów. Można powiedzieć, że macierze są dwuwymiarowymi tensorami.
import torch
x = torch.tensor([[1,2,3],[4,5,6],[7,8,9]])
print(x)tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
Operacje na tensorach
Działania na tensorach w bibliotece PyTorch wykonuje się bardzo podobnie do działań na miacierzach w bibliotece NumPy. Czasami nazwy metod się trochę różnią.
# Wymiary (rozmiar) tensora
print(x.shape)
print(x.size()) # Można użyć `size()` zamiast `shape`torch.Size([3, 3]) torch.Size([3, 3])
# Typy elementów
x = torch.tensor([1, 2, 3])
print(x, "- type:", x.dtype)
x = torch.tensor([0.1, 0.2, 0.3])
print(x, "- type:", x.dtype)
x = torch.tensor([1, 2, 3], dtype=torch.float64) # Uwaga: inaczej niż w NumPy
print(x, "- type:", x.dtype)
tensor([1, 2, 3]) - type: torch.int64 tensor([0.1000, 0.2000, 0.3000]) - type: torch.float32 tensor([1., 2., 3.], dtype=torch.float64) - type: torch.float64
x = torch.zeros([3,4])
print(x)tensor([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
x = torch.ones([3,4])
print(x)tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
x = torch.rand([3,4])
print(x)tensor([[0.9863, 0.9173, 0.5301, 0.4279],
[0.7708, 0.4671, 0.2965, 0.0578],
[0.6684, 0.4432, 0.9817, 0.1521]])
# Iterowanie po elementach tensora
for i, row in enumerate(x):
print(f"\nWiersz {i}:")
for element in row:
print(element.item()) # `item()` zamienia jednoelementowy (bezwymiarowy) tensor na liczbęWiersz 0: 0.9863188862800598 0.917273998260498 0.53009432554245 0.42788761854171753 Wiersz 1: 0.7708230018615723 0.46713775396347046 0.2964947819709778 0.057803571224212646 Wiersz 2: 0.6684107780456543 0.4432327151298523 0.9817106127738953 0.15205740928649902
# Przykładowe macierze
A = torch.rand([3, 4])
print(A)
B = torch.rand([3, 4])
print(B)
C = torch.rand([4, 2])
print(C)tensor([[0.1572, 0.4592, 0.7481, 0.6673],
[0.1138, 0.9820, 0.4452, 0.5775],
[0.7510, 0.3174, 0.6937, 0.8904]])
tensor([[0.0661, 0.6596, 0.7498, 0.5254],
[0.3271, 0.8968, 0.3188, 0.9255],
[0.2099, 0.5828, 0.4611, 0.6856]])
tensor([[0.0738, 0.3776],
[0.2646, 0.5449],
[0.6779, 0.0567],
[0.0348, 0.3072]])
# Działania "element po elemencie"
print(A + B)
print(A - B)
print(A * B)
print(A / B)tensor([[0.2232, 1.1188, 1.4978, 1.1928],
[0.4409, 1.8788, 0.7640, 1.5029],
[0.9609, 0.9002, 1.1548, 1.5760]])
tensor([[ 0.0911, -0.2005, -0.0017, 0.1419],
[-0.2133, 0.0853, 0.1264, -0.3480],
[ 0.5410, -0.2654, 0.2326, 0.2048]])
tensor([[0.0104, 0.3029, 0.5609, 0.3506],
[0.0372, 0.8807, 0.1419, 0.5344],
[0.1577, 0.1850, 0.3199, 0.6105]])
tensor([[2.3777, 0.6961, 0.9977, 1.2701],
[0.3478, 1.0951, 1.3966, 0.6240],
[3.5770, 0.5446, 1.5044, 1.2988]])
# Mnożenie macierzowe
print(torch.matmul(A, C))tensor([[0.6635, 0.5570],
[0.5902, 0.7807],
[0.6406, 0.7694]])
Konwersja między PyTorch i NumPy
# Konwersja z PyTorch do NumPy
print(A)
A_numpy = A.numpy()
print(A_numpy)tensor([[0.1572, 0.4592, 0.7481, 0.6673],
[0.1138, 0.9820, 0.4452, 0.5775],
[0.7510, 0.3174, 0.6937, 0.8904]])
[[0.15715027 0.45915365 0.7480644 0.66733134]
[0.11377418 0.98203135 0.4451999 0.5774748 ]
[0.7509776 0.3174067 0.69367564 0.8904279 ]]
# Konwersja z numpy do PyTorch
X = np.random.rand(3, 5)
print(X)
X_pytorch = torch.from_numpy(X)
print(X_pytorch)[[0.84580006 0.49270934 0.67969751 0.27546956 0.10600392]
[0.84610871 0.11680263 0.3535065 0.83725955 0.07995571]
[0.4586334 0.64818257 0.53201793 0.77786372 0.8584107 ]]
tensor([[0.8458, 0.4927, 0.6797, 0.2755, 0.1060],
[0.8461, 0.1168, 0.3535, 0.8373, 0.0800],
[0.4586, 0.6482, 0.5320, 0.7779, 0.8584]], dtype=torch.float64)
Przydatne materiały
- NumPy - dokumentacja: https://numpy.org/doc/stable
- PyTorch - dokumentacja: https://pytorch.org/docs/stable