벡터, 행렬, 텐서를 이해하고 Numpy(넘파이)로 실습해보기

딥러닝의 기본적인 단위

딥 러닝의 가장 기본적인 단위는 벡터, 행렬, 텐서이다. 차원이 없는 값을 스칼라

딥러닝을 할 때 다루고 있는 행렬 또는 텐서의 크기를 고려하는 것은 중요하기에 딥러닝을 한다면 알아가야 할 개념이다.

딥러닝에 대해서 잘 모른다면 밑에 링크를 참고하자

 

인공지능(AI) 딥러닝과 알고리즘( CNN, RNN, LSTM)에 대해 알아보자

벡터,행렬,텐서

 

• 벡터 - 1차원으로 구성된 값 = 1차원 텐서
• 행렬 - 2차원으로 구성된 값 = 2차원 텐서
• 텐서 - 3차원으로 구성된 값 = 3차원 텐서
• 3차원을 넘어가면 4차원 텐서

 

2차원 텐서

2차원 텐서

만약 훈련 데이터 하나의 크기가 256이라면 훈련 데이터 하나 = 벡터의 차원은 256, 이 훈련 데이터의 개수가 3000개라면 전체 훈련 데이터의 크기는 3000 x 256이다 행렬이기에 2차원 텐서이다.

컴퓨터는 훈련 데이터를 하나씩 처리하지 않고 덩어리로 처리하기에 3000개에서 64개씩 처리하면 batch size는 64이다. 컴퓨터가 한 번에 처리하는 2차원 텐서의 크기는 64 x 256이다.

 

3차원 텐서

3차원 텐서

세로는 batch size, 가로는 width 그리고 안쪽 세로가 height이 있다.

 

Numpy

넘파이로 간단하게 실습해 보자

 

1차원 배열

t = np.array([0., 1., 2., 3., 4., 5., 6.])

print(t)

[0. 1. 2. 3. 4. 5. 6.]

print('Rank of t: ', t.ndim)
print('Shape of t: ', t.shape)

Rank of t:  1
Shape of t:  (7,)

 

• ndim은 몇 차원인지 확인하는 파라미터
  • 지금 벡터이므로 1이 출력되는 모습
• shape는 크기를 확인하는 파라미터
  • (7,) = (1,7) = 1x7의 크기를 가지는 벡터

 

2차원 배열

a = torch.FloatTensor([[1., 2., 3.],
                       [4., 5., 6.],
                       [7., 8., 9.],
                       [10., 11., 12.]
                      ])
print(a)

tensor([[ 1.,  2.,  3.],
        [ 4.,  5.,  6.],
        [ 7.,  8.,  9.],
        [10., 11., 12.]])

print(a.dim())  # rank. 즉, 차원
print(a.size()) # shape

2
torch.Size([4, 3])

 

• dim을 사용하면 현재 차원을 보여준다
• size을 사용하면 크기를 확인 가능하다.

print(t[:, 1]) # 첫번째 차원을 전체 선택한 상황에서 두번째 차원의 첫번째 것만 가져온다.
print(t[:, 1].size()) # ↑ 위의 경우의 크기

tensor([ 2.,  5.,  8., 11.])
torch.Size([4])

 

여기까지 벡터, 행렬, 텐서를 알아보았다 다음 글도 이어서 더 심화 과정을 글을 적어보려 한다.

이 글이 독자에게 도움이 되었으면 좋겠다.