Do it! 정직하게 코딩하며 배우는 딥러닝 입문 책 내용을 정리한 글입니다.
수정해야 할 내용이 있거나 잘못된 내용이 있다면 알려주세요.


02-1 구글 코랩(Colab)이란?

  • 구글에서 교육 및 과학 연구를 목적으로 개발한 도구
  • 2017년 무료 공개
  • 웹 브라우저 상에서 파이썬 코드를 실행하거나 텍스트 작성, 그래프 그리기 등이 가능
  • 코랩에서 만들어진 노트북 파일은 구글 드라이브에 저장, 파이썬 코드는 구글 드라이브에서 실행


코랩 사용하기

A. 구글 계정으로 로그인

  • https://colab.research.google.com
  • welcome

B. 텍스트 셀 편집

  • 코랩 노트북은 2가지(텍스트 셀, 코드 셀)
  • 셀 수정은 마우스로 더블 클릭하거나, Enter 키를 통해 가능
  • 셀 수정 종료는 ESC 키
  • 텍스트 셀은 마크다운(Markdown) 문법으로 작성

C. 셀 추가

  • 셀 하단 경계선 중앙선에 마우스 커서를 옮기면 텍스트 셀 또는 코드 셀 추가 버튼 활성화
  • 코드 셀 추가 후, Python 코드를 입력한 다음 Ctrl + Enter 키 입력 또는 재생 버튼을 클릭하면 코드 실행


코랩 노트북 관리

save_notebook

  • 코랩에서 작성한 노트북은 로그인한 구글 계정의 구글 드라이브에 저장
  • [파일] -> [드라이브에 사본 저장] 선택

create_notebook

  • 구글 드라이브에서 Colab 노트북 생성은 [마우스 우클릭] -> [Google Colaboratory] 선택


코랩 노트북에서 자주 사용하는 기능

A. 셀 삭제

  • 셀 선택 후, [Ctrl + M, D] (M과 D키 동시에 입력) B. 셀 실행 후 다음 셀로 이동
  • [Shift + Enter], [Ctrl + Enter]는 선택된 셀만 실행(다음 셀로 이동 X) C. 셀 실행 후 아래에 새 셀 생성
  • [Alt + Enter]


02-2 numpy 기초

Numpy(넘파이) 소개

  • 파이썬 과학 데이터 패키지 중 하나
  • 머신러닝/딥러닝 데이터를 다룰 때 널리 쓰임


Numpy 버전 확인

import numpy as np
print(np.__version__)  # numpy 버전 확인

결과

1.16.5


Numpy와 Python 리스트의 차이

  • 파이썬으로 배열을 구현할 경우 배열 사이즈가 커질수록 성능이 떨어지지만, Numpy는 차원(배열 크기) 커져도 높은 성능 보장
  • 다양한 통계, 수학 내장함수 제공


Numpy array() 함수

my_arr = np.array([[10, 20, 30], [40, 50 ,60]])  # numpy arrary 생성
print(my_arr)

결과

[[10 20 30]
[40 50 60]]
  • numpy에서는 array() 함수를 통해 배열 생성(numpy 객체)
  • 배열 요소에 접근하는 방법은 파이썬 리스트와 동일


Numpy 내장함수

np.sum(my_arr) # numpy 내장함수 sum()을 이용한 요소 합 구하기
  • numpy sum() 함수의 경우 for문 보다 속도가 빠름
  • 기타 numpy 내장함수(https://docs.scipy.org/doc/numpy/reference/)


matplotlib 기초

  • 파이썬 데이터 시각화 라이브러리
  • 다양한 그래프를 그릴 수 있음
  • Numpy와 함께 자주 사용


선 그래프 그리기

import numpy as np
import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4, 5], [1, 4, 9, 16, 25]) # x축, y축 값을 리스트 형태로 전달
plt.show()  # 그래프를 그려줌

결과

선 그래프


산점도 그래프 그리기 1

plt.scatter([1, 2, 3, 4, 5], [1, 4, 9, 16, 25])  # scatter()함수에 x축, y축 정보를 리스트로 전달하여 산점도 그래프 표현
plt.show()

결과

산점도 그래프1


산점도 그래프 그리기 2

x = np.random.randn(1000) # numpy random 함수를 이용하여 x축, y축 데이터를 임의로 생성
y = np.random.randn(1000)
plt.scatter(x, y)
plt.show()

결과

산점도 그래프2


[Reference]

[1] Do it! 딥러닝 입문(박해선), p.28~44