Méthode de gradient de Numpy

La bibliothèque Numpy fournie par le langage de programmation Python est l'une des meilleures bibliothèques qui vous permet d'effectuer un calcul mathématique sur les tableaux. Dans ce guide, nous discuterons de la méthode du gradient Numpy. À la fin de ce tutoriel, vous pourrez utiliser vous-même la méthode de dégradé dans vos programmes Python.

Quel est le gradient dans le langage de programmation Python?

Généralement, le gradient est un vecteur contenant les dérivés partiels des variables. Par exemple, un tableau 2D a deux vecteurs de gradient. Un tableau 5D a cinq vecteurs de gradient, et ainsi de suite. Dans le langage de programmation Python, le concept du gradient est le même, mais nous avons une méthode de gradient intégrée pour trouver le gradient d'un tableau multidimensionnel.

Quelle est la méthode du gradient de numpy?

La méthode du gradient Numpy calcule le gradient des données donné en trouvant les différences centrales de l'intérieur. Le gradient des données fait référence au changement de la dimension y sur le changement de la dimension x, et la méthode du gradient Numpy calcule le gradient des données fournies. Nous expliquerons cela à l'aide d'exemples simples. Mais avant de démontrer les exemples, laissez-nous vous aider à comprendre la syntaxe de la méthode du gradient Numpy.

Syntaxe de la méthode du gradient de numpy

La syntaxe de la méthode du gradient Numpy est la suivante:

La méthode du gradient Numpy prend cinq paramètres d'entrée, tableau, * args, axe et bords. Le paramètre «tableau» contient le tableau d'entrée sur lequel la fonction de gradient doit être appliquée. Le paramètre «* args» fait référence à la liste des tableaux ou des scalaires. Le paramètre «axe» fait référence à l'axe du calcul, soit 0 ou 1. L'axe 0 représente le calcul sur les données au niveau des lignes, et l'axe 1 représente les données au niveau de la colonne. C'est un paramètre facultatif. Et enfin, un autre paramètre facultatif est les «bords» avec la valeur par défaut 1, représentant les différences précises de l'ordre aux limites.

Maintenant que nous comprenons ce qu'est le gradient, la méthode du gradient de numpy et sa syntaxe, utilisons la méthode du gradient Numpy dans les programmes d'échantillons pour mieux comprendre.

Exemple 1

Nous allons commencer par un exemple très simple et de base afin que vous n'ayez pas de mal à comprendre le fonctionnement de la méthode de gradient de Numpy. Le code est donné ci-dessous pour votre référence, reportez-vous d'abord, puis nous expliquerons chaque étape une par une:

Importer Numpy comme NPY
y = [1, 5, 9, 11]
Print ('Le gradient est:', NPY.gradient (y))

Le programme a commencé par l'importation de la bibliothèque Numpy avec l'instruction «Importer Numpy As NPY». La fonction de la bibliothèque Numpy ne fonctionnera pas si vous n'incluez pas explicitement la bibliothèque Numpy dans le programme. Une fois que nous avons importé la bibliothèque Numpy mentionnée par une variable, nous pouvons utiliser la variable pour appeler n'importe quelle fonction de la bibliothèque. Après l'importation de la bibliothèque Numpy, un tableau est déclaré dans la variable «y» contenant quatre valeurs. Le tableau déclaré est transmis à la fonction Gradient () pour trouver le gradient du tableau. La méthode Gradient () en arrière-plan de l'écran effectuera les étapes suivantes:

(y [1] - y [0]) / 1 = (5 - 1) / 1 = 4/1 = 4
(y [2] - y [0]) / 2 = (9 - 1) / 2 = 8/2 = 4
(y [3] - y [1]) / 2 = (11 - 5) / 2 = 6/2 = 3
(y [3] - y [2]) / 1 = (11 - 9) / 1 = 2/1 = 2

Selon le calcul, nous obtiendrons le résultat [4, 4, 3, 2] de la fonction Gradient (). Vérinons le résultat dans la sortie ci-dessous:

Exemple 2

Auparavant, nous avons calculé le gradient d'un tableau et avons appris les étapes effectuées au backend par la méthode du gradient Numpy. Maintenant, nous fournirons deux tableaux à la fonction Gradient () pour calculer leur gradient ().

Importer Numpy comme NPY
x = [1, 5, 9, 11]
y = [13, 15, 19, 21]
Print ('Le gradient est:', NPY.gradient (y, x))

Ici, nous avons importé la bibliothèque Numpy avec l'instruction «Importer Numpy As NPY» dans le programme. En utilisant la variable NPY, nous utiliserons la fonction Gradient () de la bibliothèque Numpy. Deux tableaux, X et Y, sont déclarés, chacun ayant quatre éléments. Les tableaux, X et Y, sont transmis à la fonction de gradient pour calculer leur gradient. Les étapes suivantes seront effectuées par la méthode du gradient Numpy au backend pour calculer le gradient de deux tableaux:

(y [1] - y [0]) / (x [1] - x [0]) = (15 - 13) / (5 - 1) = 2/4 = 0.5
(y [2] - y [0]) / (x [2] - x [0]) = (19 - 13) / (9 - 1) = 6/8 = 0.75
(y [3] - y [1]) / (x [3] - x [1]) = (21 - 15) / (11 - 5) = 6/6 = 1
(y [3] - y [2]) / (x [3] - x [2]) = (21 - 19) / (11 - 9) = 2/2 = 1

Par conséquent, le tableau de gradient résultant devrait être [0.5, 0.75, 1, 1]. Vérinons cela dans la sortie ci-dessous:

Exemple 3

Dans des exemples précédents, nous n'avons fourni les tableaux que à la fonction de gradient et ignoré tous les autres paramètres qui peuvent être fournis à la méthode du gradient Numpy. Ainsi, dans cet exemple d'exemple, nous apprendrons à fournir tous les paramètres à la fonction Gradient (). Le code de référence est donné dans la capture d'écran suivante:

Importer Numpy comme NPY
x = npy.Array ([[1, 5, 9, 11], [1, 2, 4, 8]], dtype = int)
axe = 1
bords = 2
Print ('Le gradient est:', NPY.gradient (x, axe, bords))

Comme vous pouvez le voir, la bibliothèque Numpy est importée dans le programme en tant que NPY, et NPY est utilisé pour appeler les fonctions Array () et Gradient (). Un tableau bidimensionnel est créé en utilisant la fonction Array () avec celui de l'axe = 1 et des bords = 2 ont été déclarés. Tous ces paramètres sont passés à la fonction de gradient. Maintenant, voyons la sortie suivante pour vérifier le résultat que la fonction Gradient () a produit. Voici la sortie suivante:

Conclusion

Cet article visait à apprendre la méthode du gradient Numpy en utilisant des exemples simples. La méthode du gradient Numpy est utilisée pour vérifier le changement de la dimension y sur le changement de la dimension x. La méthode du gradient est un moyen rapide et efficace d'obtenir le gradient des données données sans rencontrer aucune erreur que vous pouvez faire en calcul manuel. Ces exemples de codes vous aideront à rédiger votre programme personnalisé, y compris la méthode de gradient Numpy.