#Python DeepLearning 기초 (수학 1/4)

1. 시그마



시그마($\Sigma$): 여러 숫자의 합

$$\sum_{k=1}^n a_k = a_1 + a_2 +\cdots + a_n$$

$$\sum_{k} a_k = a_1 + a_2 +\cdots + a_n$$
import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(np.sum(a))

실행 결과
15

2. 네이피어 수



네이피어 수 $e$

$$e = 2.71828 18284 59045 23536 02874 71352 …$$

(식 1)
$$ y=e^x=\exp(x) $$

이 식은 미분해도 식이 변하지 않는다는 매우 편리한 특징을 가지고 있습니다.
import numpy as np

def get_exp(x):
    return np.exp(x)

print(get_exp(1))

실행 결과
2.718281828459045

그래프 표시



↓ 그래프 표시에 관해서는 이전에 쓴 기사를 참고하십시오.
#Python 기초(#matplotlib)
import numpy as np
import matplotlib.pyplot as plt

def get_exp(x):
    return np.exp(x)

x = np.linspace(-3, 3, num=100)
y = get_exp(x)

# 軸のラベル
plt.xlabel("x val")
plt.ylabel("y val")

# 軸
plt.axhline(0, color = "gray")
plt.axvline(0, color = "gray")

#plt.hlines(y=[0], colors='b', linestyles='dashed', linewidths=1)
# グラフのタイトル
plt.title("Graph Name")

# プロット 凡例と線のスタイルを指定
plt.plot(x, y, label="y")
plt.legend() # 凡例を表示

plt.show()



3. 자연 로그



$$ x = e^y $$

$$y =\log_{e}x$$

import numpy as np

def get_log(x):
    return np.log(x)

print(get_log(1))
# 0.0


그래프 표시


import numpy as np
import matplotlib.pyplot as plt

def get_log(x):
    return np.log(x)

x = np.linspace(0.001, 3, num=1000)
y = get_log(x)

# 軸のラベル
plt.xlabel("x val")
plt.ylabel("y val")

# 軸
plt.axhline(0, color = "gray")
plt.axvline(0, color = "gray")

# グラフのタイトル
plt.title("Graph Name")

# プロット 凡例と線のスタイルを指定
plt.plot(x, y, label="y")
plt.legend() # 凡例を表示

plt.show()

좋은 웹페이지 즐겨찾기