Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
NumPyとSciPyの使い方 / Python NumPy
Search
kaityo256
PRO
December 06, 2022
Education
1
2.2k
NumPyとSciPyの使い方 / Python NumPy
プログラミング基礎同演習
kaityo256
PRO
December 06, 2022
Tweet
Share
More Decks by kaityo256
See All by kaityo256
モンテカルロ法(3) 発展的アルゴリズム / Simulation 04
kaityo256
PRO
8
1.4k
UMAPをざっくりと理解 / Overview of UMAP
kaityo256
PRO
5
2.5k
SSH公開鍵認証による接続 / Connecting with SSH Public Key Authentication
kaityo256
PRO
6
550
論文紹介のやり方 / How to review
kaityo256
PRO
16
85k
デバッグの話 / Debugging for Beginners
kaityo256
PRO
14
1.7k
ビット演算の話 / Let's play with bit operations
kaityo256
PRO
8
590
GNU Makeの使い方 / How to use GNU Make
kaityo256
PRO
15
5.4k
制限ボルツマンマシンの話 / Introduction of RBM
kaityo256
PRO
3
1.4k
論文の読み方 / How to survey
kaityo256
PRO
226
180k
Other Decks in Education
See All in Education
AI for Learning
fonylew
0
180
20250611_なんでもCopilot1年続いたぞ~
ponponmikankan
0
170
技術勉強会 〜 OAuth & OIDC 入門編 / 20250528 OAuth and OIDC
oidfj
5
1.8k
【品女100周年企画】Pitch Deck
shinagawajoshigakuin_100th
0
5.9k
Alumnote inc. Company Deck
yukinumata
0
2k
学びは趣味の延長線
ohmori_yusuke
0
110
DIP_1_Introduction
hachama
0
120
Sponsor the Conference | VizChitra 2025
vizchitra
0
620
EVOLUCIÓN DE LAS NEUROCIENCIAS EN LOS CONTEXTOS ORGANIZACIONALES
jvpcubias
0
150
附属科学技術高等学校の概要|Science Tokyo(東京科学大学)
sciencetokyo
PRO
0
210
質のよいアウトプットをできるようになるために~「読む・聞く、まとめる、言葉にする」を読んで~
amarelo_n24
0
220
令和政経義塾第2期説明会
nxji
0
200
Featured
See All Featured
[RailsConf 2023 Opening Keynote] The Magic of Rails
eileencodes
30
9.7k
Side Projects
sachag
455
43k
The Cult of Friendly URLs
andyhume
79
6.6k
Why You Should Never Use an ORM
jnunemaker
PRO
59
9.5k
Scaling GitHub
holman
463
140k
Building Better People: How to give real-time feedback that sticks.
wjessup
368
19k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
12
1.1k
The Myth of the Modular Monolith - Day 2 Keynote - Rails World 2024
eileencodes
26
3k
Rebuilding a faster, lazier Slack
samanthasiow
83
9.2k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.4k
Art, The Web, and Tiny UX
lynnandtonic
303
21k
Easily Structure & Communicate Ideas using Wireframe
afnizarnur
194
16k
Transcript
1 31 NumPyとSciPyの使い方 プログラミング基礎同演習 慶應義塾大学理工学部物理情報工学科 渡辺
2 31 NumPyとSciPyの使い方
3 31 多次元配列を高速に扱うためのモジュール 配列指向 (Array Oriented Computing) 裏でLAPACKというライブラリを呼んでいる LAPACKはBLASというライブラリ上に構築されている BLAS
(Basic Linear Algebra Subprograms) LAPACK (Linear Algebra PACKage) NumPy (Numeric Python)
4 31 ベクトルや行列同士の演算ルーチンをまとめたもの これがないと数値計算ができない 新しいCPUでは、専用のBLASライブラリが必要(BLAS職人) Level 1 ベクトル同士の演算 = +
Level 2 ベクトルと行列の演算 = x = ・ Level 3 行列と行列の演算 = x Basic Linear Algebra Subprograms
5 31 Linear Algebra PACKage BLASをビルディングブロックとして線形代数の問題を解くパッケージ 連立一次方程式 最小二乗法 固有値問題 特異値問題
https://www.r-ccs.riken.jp/wp-content/uploads/2019/05/nakata190523.pdf 線形代数演算ライブラリBLAS とLAPACKの基礎と実践 (中田真秀) 𝐴𝑥 = 𝑏 min 𝑏 − 𝐴𝑥 𝐴𝑥 = 𝜆𝑥 𝑋 = 𝑈Σ𝑉† 今回の課題
6 31 もともとは線形代数の問題を解くパッケージ (現在はLAPACKが広く使われている) LINPACKは主にベンチマークとして使われている LINPACKベンチマーク ・巨大な連立一次方程式を解くベンチマーク ・Top500というスパコンのランキングに用いられる ・Top500は年に二回開催される LINPACK
7 31 地球シミュレータ 京コンピュータ 富岳 合計 1位 500位
8 31 線形代数はとても大事 NumPy/SciPyがあるからPythonを使うという人がいるくら い、線形代数、行列計算は数値計算においてとても重要 数値計算に限らず、理工系全ての分野に線形代数が現れる 線形代数は真面目に勉強しておきましょう
9 31 import numpy as np まずNumPyをインポート np.arrayにPythonのリストを渡すとNumPy配列になる data =
np.array([1,2,3]) data 1 2 3 A Visual Intro to NumPy and Data Representation (https://jalammar.github.io/visual-numpy/) np.array([[1,2],[3,4]]) data 1 2 3 4
10 31 A Visual Intro to NumPy and Data Representation
(https://jalammar.github.io/visual-numpy/) np.zeros(3) 0 0 0 0 0 0 0 np.zeros((2,2)) np.ones(3) 1 1 1 1 1 1 1 np.ones((2,2)) np.zerosで要素が全てゼロ、np.onesで要素が全て1の NumPy配列を作ることができる 「形」はタプルで指定
11 31 data = np.arange(8) 連番の一次元配列を作るにはnp.arangeを使う 0 1 2 3
4 5 6 7
12 31 NumPy配列は、メモリ上では一次元配列として格納 np.array([[1,2],[3,4]]) data 1 2 3 4 メモリ
1 2 3 4 data (2,2) NumPy配列の「形」は、shapeで得ることができる data.shape #=> (2,2)
13 31 a = np.arange(8) 0 1 2 3 4
5 6 7 b = a.reshape((2,4)) 0 1 2 3 4 5 6 7 c = a.reshape((2,2,2)) 4 5 6 7 0 1 2 3 2 4
14 31 同じ形(shape)のNumPy配列同士は四則演算ができる 0 1 2 1 1 1 +
= 1 2 3 0 1 2 3 ※ 演算は要素ごとになることに注意 0 1 2 3 x = 0 1 4 9
15 31 NumPy配列にスカラー量を演算できる 0 1 2 1 + = 1
2 3 0 1 2 1 + = 1 1 0 1 2 2 x = 0 2 4 0 1 2 2 x = 2 2
16 31 from scipy import linalg import numpy as np
まずはインポートする linalg.eighでエルミート行列の固有値、固有ベクトルを求める a = np.array([[1,2],[2,1]]) w, v = linalg.eigh(a) 1 2 2 1 a w 3 -1 行列 固有値 1 -1 v固有ベクトル (※) 1 1 ※実際には正規化されたベクトルが得られる
17 31 シュレーディンガー方程式の固有値問題 行列の低ランク近似による画像圧縮 𝐴𝑥 = 𝜆𝑥 𝑋 = 𝑈Σ𝑉†
18 31 目標 差分化により、シュレーディンガー方程式が行列の 固有値問題に帰着することを確認 • 固有値が基底状態のエネルギーとして得られる • 基底状態の波動関数が対応する固有ベクトルとし て得られる
19 31 𝑣 ℎ 山の高さを超えられない初速 古典系の場合 山を登りきれずに 100%跳ね返される 量子系の場合 ほとんど跳ね返されるが…
低確率ですり抜ける
20 31 電子をエネルギー障壁で閉じ込める (井戸型ポテンシャル) 電子の存在確率が 障壁の外に少しだけ染み出す −ℏ2 2𝑚 𝑑2 𝑑𝑥2
+ 𝑉 𝑥 𝜓 𝑥 = 𝐸𝜓(𝑥) 電子の存在確率は以下のシュレーディンガー方程式の解として求まる
21 31 −ℏ2 2𝑚 𝑑2 𝑑𝑥2 + 𝑉 𝑥 𝜓
𝑥 = 𝐸𝜓(𝑥) シュレーディンガー方程式 𝜓 𝑥 離散化 𝑣𝑖 連続的な関数 離散的なベクトル
22 31 𝑑2𝜓 𝑑𝑥2 ∼ 𝑣𝑖+1 −2𝑣𝑖 +𝑣𝑖−1 「微分」は「差分」で近似できる −ℏ2
2𝑚 𝑑2 𝑑𝑥2 + 𝑉 𝑥 𝜓 𝑥 = 𝐸𝜓(𝑥) 𝐻 Ԧ 𝑣 = 𝜆 Ԧ 𝑣 離散化 シュレーディンガー方程式 行列の固有値問題 固有値: 電子のエネルギー 固有ベクトル:電子の存在確率
23 31 電子の存在確率が 障壁の外に少し だけ染み出す E 0 -5 閉じ込め効果により 少しエネルギーが
高くなる 井戸型ポテンシャルに閉じ込められた電子が ・障壁の外に少し染み出すこと ・閉じ込めによりエネルギーが少し高くなること を確認する
24 31 目標 モノクロ画像は「行列」とみなすことができる 行列を特異値分解し、低ランク近似により近似行列 を作る
25 31 m行k列の行列と k行n列の行列の積はm行n列になる (3, 4) (4, 5) (3, 5)
X = (3, 4) (4, 5) (3, 5)
26 31 m行k列の行列と k行n列の行列の積はm行n列になる kを小さくとると、大きな行列を細い行列の積で近似できる ≒ x m n m
k k n 要素数mn 要素数mk 要素数kn k << m, n なら mn >> k(m+n)
27 31 𝑋 = 𝑈Σ𝑉† x x = 𝑋 𝑈
𝑉† Σ Σ 特異値(対角行列) Singular Value Decomposition, SVD 𝑈 𝑉† ユニタリ行列(正方行列)
28 31 x x = 𝑋 𝑈 𝑉† Σ 𝑈
Σ x Σ𝑉† = こことここだけ使って再構成 ෨ 𝑋 = x 𝑈 Σ Σ𝑉†
29 31 モノクロ画像は、行列とみなすことができる 25 68 59 12 高さh、幅wのモノクロ画像は各要素0から255のh行w列の行列
30 31 インターネットから 画像をダウンロード 画像をモノクロ化 行列とみなして低ランク近似 近似された画像 ෨ 𝑋 =
x 𝑈 Σ Σ𝑉†
31 31 インターネットから 画像をダウンロード 画像をモノクロ化 行列とみなして低ランク近似 近似された画像 ෨ 𝑋 =
x 𝑈 Σ Σ𝑉†