#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 결과15
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 결과2.718281828459045
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
$$ x = e^y $$
때
$$y =\log_{e}x$$
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()
Reference
이 문제에 관하여(#Python DeepLearning 기초 (수학 1/4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/hiwasawa/items/7a7db0ddcb86354fd1d7
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(np.sum(a))
15
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
$$ x = e^y $$
때
$$y =\log_{e}x$$
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()
Reference
이 문제에 관하여(#Python DeepLearning 기초 (수학 1/4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/hiwasawa/items/7a7db0ddcb86354fd1d7
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
import numpy as np
def get_log(x):
return np.log(x)
print(get_log(1))
# 0.0
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()
Reference
이 문제에 관하여(#Python DeepLearning 기초 (수학 1/4)), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/hiwasawa/items/7a7db0ddcb86354fd1d7텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)