1.8 - Introducción a Numpy para Deep Learning
Lección 8 de la sección “Introducción al Deep Learning” del curso Fundamentos de Deep Learning con Python.
Tabla de contenido
Introducción
En la lección anterior vimos una introducción a Python para Deep Learning, y vimos los elementos esenciales de programación (como las listas, las funciones y los diccionarios).
En esta lección veremos los elementos básicos de una primera librería que permitirá a Python convertirse en un simple lenguaje de programación en una herramienta que nos permitirá hacer cálculos complejos sobre vectores y matrices. Hablaremos de Numpy.
Suscríbete y accede al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Vectores en Numpy
Un vector es un arreglo unidimensional de cantidades numéricas. En un vector fila tendremos las cantidades numéricas ubicadas una debajo de la otra:
vector_fila = np.arange(0,20)
print(vector_fila)
type(vector_fila)
El vector fila que acabamos de crear es un objeto tipo numpy.ndarray
(es decir: ¡es un arreglo de Numpy!) y esto nos permite acceder a varias propiedades del objeto (como su tamaño o el tipo de datos que almacena, por ejemplo):
print(vector_fila.shape)
print(type(vector_fila))
print(vector_fila.dtype)
Además de estas propiedades, también podemos acceder a funciones que permiten realizar operaciones sobre dicho vector:
print(vector_fila.mean())
print(vector_fila.max())
Por ejemplo, usando una de esas funciones podemos convertir el vector fila en un vector columna (es decir un vector cuyos elementos están ubicados uno al lado del otro):
vector_columna = vector_fila.reshape(20,1)
print(vector_columna)
print(vector_columna.shape)
Matrices
Si los vectores eran arreglos unidimensionales de datos, las matrices son entonces arreglos bidimensionales. Por ejemplo, con el siguiente código podemos crear una matriz de 5 filas x 4 columnas con números aleatorios:
matriz = np.random.randn(5,4)
print(matriz)
Y de nuevo, por ser un objeto de Numpy, podemos acceder a diferentes propiedades de esta matriz:
print(matriz.shape)
print(type(matriz))
print(matriz.dtype)
Así como a diferentes funciones. Por ejemplo, usando la función mean
podemos calcular el promedio por filas, por columnas o el promedio de todos los elementos de la matriz:
print(matriz.mean(axis=0))
print(matriz.mean(axis=1))
print(matriz.mean())
O podemos por ejemplo obtener la transpuesta de la matriz:
matriz_T = matriz.T
print(matriz)
print(matriz_T)
Recuerda suscribirte para acceder al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Conclusión
¡Perfecto!, ya tenemos los elementos esenciales de Numpy que nos permiten implementar código en Python para la manipulación de vectores y matrices. A medida que avancemos en el curso veremos usos más avanzados de esta librería.
En la siguiente lección continuaremos hablando de las librerías esenciales de Python, y en particular veremos los elementos esenciales de Matplotlib para Deep Learning