NumPy ndarray入門：array、dtype、shape、reshape、astype

1. なぜndarrayから始めるのか？

Commandbox 광고

ディープラーニングを学んでいくと、こんなコードに何度も出会います。

  • 入力テンソルのshapeを確認する
  • バッチ処理のためにreshapeを使う
  • GPU演算のためにfloat32に変換する…

こうした操作の土台にあるのが NumPy の ndarray です。

  • PyTorch の Tensor は、概念的には NumPy の ndarray にかなり近い構造
  • ディープラーニングモデルの入力・重み・出力はすべて多次元配列（＝テンソル）

したがってndarrayを理解すること＝テンソル演算の基本文法を学ぶことと考えられます。

2. ndarrayとは？

ndarray は N 次元配列、つまり N 次元の配列を表します。

  • 1次元：ベクトル
  • 2次元：行列
  • 3次元以上：テンソル（画像バッチ、時系列、動画など）

簡単な例：

import numpy as np

x = np.array([1, 2, 3])            # 1次元（ベクトル）
M = np.array([[1, 2], [3, 4]])     # 2次元（行列）

print(type(x))          # <class 'numpy.ndarray'>
print(x.ndim, x.shape)  # 次元数、形状
print(M.ndim, M.shape)
  • ndim：何次元か
  • shape：各次元のサイズ

3. PyTorch Tensorとの類似性

Commandbox 광고

PyTorchテンソルも結局は「多次元配列」です。

import torch

x_np = np.array([[1, 2], [3, 4]])   # NumPy ndarray
x_torch = torch.tensor([[1, 2], [3, 4]])  # PyTorch Tensor

print(type(x_np))      # numpy.ndarray
print(type(x_torch))   # torch.Tensor

print(x_np.shape)      # (2, 2)
print(x_torch.shape)   # torch.Size([2, 2])

共通点：

  • どちらも「多次元数値配列」
  • shape、reshape、dtypeの概念がほぼ同じ
  • 演算も似ている（+、*、@ など）

主な違い（ディープラーニングで重要）：

  • NumPy：CPU、自動微分なし
  • PyTorchテンソル：GPU使用可、自動微分サポート

したがって、一般的には次のように使います。

  • 概念演習 / 数式実験 / データ操作 → NumPy
  • 実際のモデル学習 → PyTorch

NumPyのndarrayに慣れるほど、PyTorchテンソル演算が自然に感じられます。

4. np.array：ndarrayを作る基本的な方法

ndarrayを作る最も基本的な関数がnp.arrayです。

4.1 Pythonリスト → ndarray

import numpy as np

# 1次元配列（ベクトル）
x = np.array([1, 2, 3])
print(x)
print(x.ndim)   # 1
print(x.shape)  # (3,)

# 2次元配列（行列）
M = np.array([[1, 2, 3],
              [4, 5, 6]])
print(M)
print(M.ndim)   # 2
print(M.shape)  # (2, 3)
  • Pythonのリスト／リストのリストをnp.arrayに渡すとndarrayが生成されます。
  • ディープラーニングでよく見るbatch_size x feature_dim行列も結局この形です。

4.2 初期値を素早く作る

学習用サンプルや実験では、乱数や 0 で埋めた配列を手早く用意することが多いです。

zeros = np.zeros((2, 3))       # 2x3行列、全て0
ones = np.ones((2, 3))         # 2x3行列、全て1
randn = np.random.randn(2, 3)  # 正規分布乱数

print(zeros.shape)  # (2, 3)

このパターンはPyTorchでもほぼ同じです。

import torch

zeros_t = torch.zeros((2, 3))
ones_t = torch.ones((2, 3))
randn_t = torch.randn((2, 3))

5. dtype：数値の「データ型」を理解する

dtype は data type の略で、「この配列の要素がどの型か」を示します。

よく見かけるもの：

  • int32、int64：整数型
  • float32、float64：実数型（浮動小数点）

確認してみましょう。

x = np.array([1, 2, 3])
print(x.dtype)  # 通常 int64 か int32

y = np.array([1.0, 2.0, 3.0])
print(y.dtype)  # 通常 float64

5.1 dtypeを指定して作る

x = np.array([1, 2, 3], dtype=np.float32)
print(x.dtype)  # float32

ディープラーニングでは、float32（PyTorchのtorch.float32）を多用します。 GPU演算に適しており、メモリ使用量も適度だからです。

6. shape：データの「形」を読む

shapeは配列の形（各次元のサイズ）を表すタプルです。

import numpy as np

x = np.array([1, 2, 3])
print(x.shape)  # (3,)

M = np.array([[1, 2, 3],
              [4, 5, 6]])
print(M.shape)  # (2, 3)

ディープラーニングで頻出するshape例：

  • 特徴ベクトル1つ：(feature_dim,) → 例：(3,)
  • バッチデータ：(batch_size, feature_dim) → 例：(32, 3)
  • 画像バッチ（PyTorch標準）：(batch_size, channels, height, width) 例：(32, 3, 224, 224)

NumPyでこうしたshapeを先に触って慣れておくと、PyTorchテンソルのshapeエラーに直面したときも原因をすぐに特定できます。

7. reshape：形を変える

reshape は、要素数はそのままに形状だけを変える操作です。

import numpy as np

x = np.array([1, 2, 3, 4, 5, 6])
print(x.shape)  # (6,)

M = x.reshape(2, 3)
print(M)
print(M.shape)  # (2, 3)

重要ポイント：

  • reshape前後の総要素数は同じでなければならない。
  • 上記例では6個要素 → (2 x 3) = 6個 → OK

7.1 -1を使って自動計算

バッチや画像処理では-1をよく使います。 -1は「この位置は自動で計算してくれ」という意味です。

x = np.array([[1, 2, 3],
              [4, 5, 6]])  # shape: (2, 3)

# 全体を1次元に展開（flatten）
flat = x.reshape(-1)        # shape: (6,)
print(flat)

# 再び2行にし、列は自動計算
M = flat.reshape(2, -1)     # shape: (2, 3)
print(M)

PyTorchでもほぼ同様に使えます。

import torch

x_t = torch.tensor([[1, 2, 3],
                    [4, 5, 6]])  # (2, 3)

flat_t = x_t.reshape(-1)        # (6,)
M_t = flat_t.reshape(2, -1)     # (2, 3)

reshapeに慣れると、

  • CNNでfeature mapをflatten
  • RNN/LSTM入力を(batch, seq_len, feature)形に整形
  • バッチ次元を前後に移動

などが直感的に行えます。

8. astype：dtypeを変える

astypeは配列のデータ型を変える関数です。

import numpy as np

x = np.array([1, 2, 3])      # int型
print(x.dtype)               # int32 or int64

x_float = x.astype(np.float32)
print(x_float)
print(x_float.dtype)         # float32

ディープラーニングでよく使うケース：

  • 整数ラベルを実数型に変えてloss計算
  • float64で入ってきたデータをfloat32に統一
  • PyTorchに渡す前に型合わせ

例：

import torch
import numpy as np

x = np.array([1, 2, 3], dtype=np.int32)
x = x.astype(np.float32)              # float32に変換
x_torch = torch.from_numpy(x)         # テンソルに変換
print(x_torch.dtype)                  # torch.float32

型が揃っていないと、PyTorch の演算中に Expected Float but got Double のような型エラーが出ることがあります。

9. まとめ：今日学んだndarrayの基本文法

今回扱った内容は以下の通りです。

  1. ndarrayとは？ * ディープラーニングで扱うすべてのデータ構造の基礎である「多次元配列」
  2. PyTorch Tensorとの関係 * 概念的にほぼ同じ、ディープラーニング版のndarray
  3. np.array * Pythonリスト／リストのリストからndarrayを生成
  4. dtype * 数値型（整数／実数、32/64bit）を表す
  5. shape * データの形状、ディープラーニングで最も頻出の属性
  6. reshape * 要素数は保ったまま形を変える（-1で自動計算）
  7. astype * データ型を変換（int→float32など）

これらの4つ（array、dtype、shape、reshape、astype）をしっかり身につければ、

  • テンソル形状エラーに直面しても慌てずに対処できる
  • 論文の数式とコードを行き来しやすくなる
  • PyTorchチュートリアルの例題をスムーズに追える

image