0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@etoolsLab369

DeepLearning学習日誌 numPy使用方法+Python文法メモ

0
Last updated at Posted at 2026-01-07

Geminiに質問した解答集です。

NumPyの「ブロードキャスト」と「ブールインデックス参照」

import numpy as np

def step_function(x):
    return np.array(x>0, dtype=np.int64)

#入力はNumPy配列
x = np.array([-0.5, 0.4, 1.2])
y = step_function(x)

# Python 3.6:fを付けると、{name} が変数の値に置き換わる
print(f"Input Type: {type(x)}") #<class 'numpy.ndarray'>
print(f"Output: {y}")

step_functionの記述について

  1. x > 0 （比較演算とブロードキャスト）
    もし x が np.array([-1.0, 1.0, 2.0]) だとした場合、x > 0 は各要素に対して個別に実行されます。
    -1.0 > 0 → False
    1.0 > 0 → True
    2.0 > 0 → True
    結果として、[False, True, True] という Boolean（真偽値）の配列が生成されます。
  2. dtype=np.int64 （型変換）
    ステップ関数は「0か1」を返したいので、False/True を 0/1 という数値に変換する必要があります。 dtype=np.int64（または int）を指定することで、NumPyは以下のように変換します。
    False → 0
    True → 1
  3. np.array(...) （新しい配列の生成）
    これらをまとめて、新しいNumPy配列として出力します。

３層ニューラルネットワークのコード

import numpy as np

#シグモイド関数
def sigmoid(x):
    return 1/ (1+np.exp(-x))


#辞書型（dict）**というデータ構造を初期化
#network['W1'] のように、名前（キー）を指定して値を取り出せます。
def init_network():
    network={}# 空の辞書を作る
    network['W1']=np.array([[0.1,0.3,0.5],[0.2,0.4,0.6]])
    network['B1']=np.array([0.1,0.2,0.3])
    network['W2']=np.array([[0.1,0.4],[0.2,0.5],[0.3,0.6]])
    network['B2']=np.array([0.1,0.2])
    network['W3']=np.array([[0.1,0.3],[0.2,0.4]])
    network['B3']=np.array([0.1,0.2])
    return network

def identity_function(x):
    return x

#第一引数 network　第2引数 入力データ
def forward(_network, x):
    W1,W2,W3 = _network['W1'],_network['W2'],_network['W3']
    B1,B2,B3 = _network['B1'],_network['B2'],_network['B3']

    #第一層
    A1 = np.dot(x,W1)+B1
    Z1 = sigmoid(A1)
    #第ニ層
    A2 = np.dot(Z1,W2)+B2
    Z2 = sigmoid(A2)
    #第3層
    A3 = np.dot(Z2,W3)+B3
    Y = identity_function(A3)
    return Y
    
#1.重みの準備
network = init_network()
#2.入力データの準備
inputData = np.array([1.0,0.5])
#3.計算の実行
Y = forward(network,inputData)

print(Y)

1. NumPyの使用方法：行列計算の基礎

ディープラーニングの実装に欠かせないNumPyの挙動を整理しました。

np.ndarray クラス
np.array([1, 2, 3]) で生成される多次元配列オブジェクト。
Python標準の「リスト」とは異なり、高速な演算と数学的な一括処理が可能。

要素別演算（ブロードキャスト）
x > 0 や np.exp(-x) のように、配列に対して演算を行うと、全要素に対して一斉に計算が適用される。
これにより、for 文を使わずに簡潔かつ高速なコードが書ける。

行列の内積 (np.dot)
np.dot(X, W) + B の形で、ニューラルネットワークの「線形変換」を表現する。
(1, 2) の行列と (2, 3) の行列をかけると、結果は (1, 3) になるという「形状（Shape）の連鎖」が重要。

2. Pythonの文法：設計と管理

「動くコード」を「管理しやすいコード」にするためのテクニックです。

辞書型 ({}) によるパラメータ管理
network = {} で初期化。
network['W1'] = ... のようにキー（名前）で重みやバイアスを保存することで、複数の層のデータを一括管理できる。

関数のスコープ（ローカル変数）
forward 関数内で宣言された W1, A1, Y などはすべてローカル変数。
計算が終わるとメモリから解放され、関数の外側には影響を与えない。

アンパック代入
W1, W2, W3 = network['W1'], network['W2'], network['W3']
辞書からまとめて変数に取り出すことで、数式を記述する際の可読性を高める。

f文字列 (f-strings)
print(f"Output: {Y}") のように、文字列の前に f をつけ、{} で変数を埋め込む。
計算結果や行列の形状（.shape）をデバッグ表示する際に最適。

pass 文
関数の「中身」を空にできないPythonの仕様に対応するためのキーワード。設計時に「後で書く」場所を示すのに使う。

動的型付け
実行時にインタプリタが型を判断する。型宣言を省略できるため、数式に近い直感的な記述が可能。

NumPyの**「ファンシーインデックス参照（Fancy Indexing）」

「各データの正解ラベルに対応する確率（$y$の値）だけを、一気に抜き出す」

import numpy as np

def cross_entropy_error(y, t):
    if y.ndim == 1:
        t = t.reshape(1, t.size)
        y = y.reshape(1, y.size)
        
    # 教師データがone-hot-vectorの場合、正解ラベルのインデックスに変換
    if t.size == y.size:
        t = t.argmax(axis=1)
             
    batch_size = y.shape[0]
    delta = 1e-7
    # 各データの正解ラベルに対応する出力yの値を抽出し、平均をとる
    return -np.sum(np.log(y[np.arange(batch_size), t] + delta)) / batch_size


# 例：y (予測値)
y = np.array([
    [0.1, 0.2, 0.6, 0.05, 0.05], # データ0：正解はインデックス2 (0.6)
    [0.7, 0.1, 0.1, 0.05, 0.05], # データ1：正解はインデックス0 (0.7)
    [0.2, 0.1, 0.1, 0.1,  0.5 ]  # データ2：正解はインデックス4 (0.5)
])

# 例：t (正解ラベル)
t = np.array([2, 0, 4])

np.arange(batch_size) の役割
batch_size が 3 の場合、np.arange(3) は [0, 1, 2] という配列を作ります。これは 「行番号」 を指定するために使います。

インデックス指定の合体
y[np.arange(batch_size), t] は、NumPyに対して次のような指示を出しています。

(0行目, t[0]列目) の要素を取れ → y[0, 2]

(1行目, t[1]列目) の要素を取れ → y[1, 0]

(2行目, t[2]列目) の要素を取れ → y[2, 4]

結果として、[0.6, 0.7, 0.5] という、各データの正解に対する確率だけが並んだ配列が返ってきます。

等差数列を作るための関数

  1. 候補となる良品率 p (0.0から1.0まで100等分)
    p_candidates = np.linspace(0, 1, 100)

np.argmax関数は配列の中で最大要素を含むインデックスを返す関数

max_idx = np.argmax(likelihood)

np.zeros_like関数

shapeを真似たい配列を指定してあげると、np.zerosと同じように0初期化した配列を作ってくれます。
grad=np.zeros_like(x) # xと同じ形状(shape)のから配列

見た目は全く同じなのに動かない

というのは、Pythonプログラマーが必ず一度は直面する「Pythonあるある」の代表格です。

  1. 全角スペースの混入（一番怪しい）
    日本語環境でコードを書いていると、意図せず全角スペースが混じることがあります。 Pythonにとって「半角スペース4つ」と「全角スペース」は別物です。もし it.iternext() の前に全角スペースが混じっていた場合、Pythonは「ループの外」と判断したり、構文エラー（になればまだマシですが、変な解釈をすること）があります。

  2. インデントの「混在」（タブとスペース）
    見た目では同じ4文字分の空白でも、**「タブ文字（Tab）」で下げている行と、「半角スペース4つ」**で下げている行が混在すると、Pythonはパニックを起こします。

print(idx) はスペースで下げた

it.iternext() はタブで下げた この場合、人間には同じ位置に見えても、Pythonは別のブロック（ループの外）として認識することがあります。
VS Codeでこれを防ぐ「エディタ設定」
二度と同じトラブルに遭わないために、VS Codeの設定を以下のように変更することをおすすめします。

① 空白を可視化する
「目に見えない空白」を見えるようにします。

VS Codeのメニューから 設定（Ctrl + ,） を開く。

検索窓に render whitespace と入力。

Editor: Render Whitespace を all に変更。

これで、半角スペースは「・」、タブは「→」と表示され、全角スペースも異常な空白として目立つようになります。

② 保存時に自動で整形（超おすすめ）
検索窓に format on save と入力。

Editor: Format On Save にチェックを入れる。

これで、保存するたびにインデントのズレや余計な空白をVS Codeが自動的に「正しいPythonのルール」に修正してくれます。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?