줄리아, 매트랩, 파이썬, R에서 동등한 코드들

일반^Common

파이썬에 대해서 다음과 같은 환경이라고 하자.

import numpy as np

주석 comment
줄리아Julia	#comment
파이썬Python
R
매트랩Matlab	%comment

2차원 그리드 2D grid
파이썬Python	np.meshgrid(x,y)
매트랩Matlab	[X,Y] = meshgrid(x,y)

플래튼 Flatten
줄리아Julia	y = vec(x)
파이썬Python	y = np.ravel(x)
매트랩Matlab	y = x(:)

영행렬 Zero array
줄리아Julia	y = zeros(4,2)
매트랩Matlab
파이썬Python	y = np.zeros([4,2])
R	y = matrix(0,4,2)

푸리에 변환^{Fourier Transform}

줄리아에 대해서 다음과 같은 환경이라고 하자.

using FFTW

푸리에 변환 Fourier transform
줄리아Julia	y = fft(x)
R
매트랩Matlab
파이썬Python	y = np.fft.fft(x)

푸리에 역변환 Inverse Fourier transform
줄리아Julia	y = ifft(x)
매트랩Matlab
파이썬Python	y = np.fft.ifft(x)
R	x = fft(y,inverse=TRUE)/length(y)

보간법^{Interpolation}

파이썬에 대해서 다음과 같은 환경이라고 하자.

from scipy.interpolate import griddata

$X, Y, P, Z$를 2차원 배열, $x, y$를 1차월 배열이라고 하자.

2차원 보간 2D interpolation
파이썬Python	Z = griddata( (np.ravel(X), np.ravel(Y)), np.ravel(P), (x, y) )
매트랩Matlab	Z = interp2(X, Y, P, x, y)

시각화^{Visualization}

줄리아에 대해서 다음과 같은 환경이라고 하자.

using Plots

파이썬에 대해서 다음과 같은 환경이라고 하자.

import matplotlib.pyplot as plt

2차원 이미지로 출력하고자 하는 배열을 A라고 하자.

스케일 범위 지정 Set scale range
줄리아Julia	heatmap(A, clim = (a,b))
파이썬Python	plt.imshow(A) plt.colorbar() plt.clim(a,b)

수평선 Horizon line
줄리아Julia	hline!(a)
파이썬Python	plt.axhline(a)

수직선 Vertical line
줄리아Julia	vline!(a)
파이썬Python	plt.axvline(a)

-->

머신러닝^{Machine Learning}

플럭스에 대해서 다음과 같은 환경이라고 하자.

using Flux

파이토치에 대해서 다음과 같은 환경이라고 하자.

import torch
import torch.nn as nn
import torch.nn.functional as F

텐서플로우에 대해서 다음과 같은 환경이라고 하자.

import tensorflow as tf
from tensorflow import keras

배열/텐서 Array/Tensor
플럭스Flux	A = [1 2 3]
파이토치PyTorch	A = torch.tensor([1, 2, 3])
텐서플로우TensorFlow	A = tf.constant([1, 1, 1])

덴스 레이어 Dense layer
플럭스Flux	Dense(in, out, bias=true, relu)
파이토치PyTorch	torch.nn.Linear(in, out, bias=True)
텐서플로우TensorFlow	keras.layers.Dense(out, activation="relu")

시퀀셜 모델 Sequential model
플럭스Flux	model = Chain( Dense(5, 10, relu), Dense(10, 10, relu), Dense(10, 2, relu) )
파이토치PyTorch	model = nn.Sequential( nn.Linear(5, 10), nn.Relu(), nn.Linear(10, 10), nn.Relu(), nn.Linear(10, 2), nn.Relu() )
텐서플로우TensorFlow	model = keras.models.Sequential([ keras.layers.Flatten(input_shape=[5]), keras.layers.Dense(10, activation="relu"), keras.layers.Dense(10, activation="relu"), keras.layers.Dense(2, activation="relu"), ])

모델 요약 Model summary
플럭스Flux	julia> model Chain( Dense(5, 10, relu), # 60 parameters Dense(10, 10, relu), # 110 parameters Dense(10, 2, relu), # 22 parameters ) # Total: 6 arrays, 192 parameters, 1.125 KiB.
파이토치PyTorch	>>>model Sequential( (0): Linear(in_features=5, out_features=10, bias=True) (1): ReLU() (2): Linear(in_features=10, out_features=10, bias=True) (3): ReLU() (4): Linear(in_features=10, out_features=2, bias=True) (5): ReLU() )
텐서플로우TensorFlow	>>>model.build() >>>model.summary() Model: "sequential_1" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= flatten (Flatten) (None, 5) 0 dense_4 (Dense) (None, 10) 60 dense_5 (Dense) (None, 10) 110 dense_6 (Dense) (None, 2) 22 ================================================================= Total params: 192 Trainable params: 192 Non-trainable params: 0 _________________________________________________________________

---