Python for AI/NumPy/Lesson 34

Arrays তৈরি

zeros, ones, full, arange, linspace, eye দিয়ে array বানানো; shape, ndim, dtype বোঝা; reshape আর astype — আর কেন একটা ছবি আসলে (height, width, 3) shape-এর array।

সময়: 22 মিনিট
Exercise: 1
Challenge: 1
Quiz: 3 প্রশ্ন

সহজ ভাষায়

List থেকে array বানানো ছাড়াও NumPy-তে array তৈরির অনেক function আছে। আর প্রতিটা array-এর একটা shape — কোন দিকে কতগুলো item।

main.py

import numpy as np

v = np.array([1, 2, 3])
m = np.array([[1, 2, 3], [4, 5, 6]])

print(v.shape, v.ndim)
print(m.shape, m.ndim)
print(m)

v: shape (3,)       1D — একটা সারি
   [1 2 3]

m: shape (2, 3)     2D — 2 row, 3 column
   [[1 2 3]
    [4 5 6]]

কেন দরকার?

ML-এ data-র shape সবকিছু। সবচেয়ে common error-গুলোর একটা: "shape mismatch"।

Data	Shape	মানে
একটা feature vector	`(5,)`	৫টা feature
Dataset (table)	`(1000, 5)`	১০০০ sample, ৫টা feature
একটা সাদা-কালো ছবি	`(28, 28)`	28×28 pixel
একটা রঙিন ছবি	`(224, 224, 3)`	height × width × RGB
ছবির batch	`(32, 224, 224, 3)`	৩২টা ছবি একসাথে

PyTorch বা TensorFlow-এর error-এর অর্ধেক হলো "আশা করেছিলাম এই shape, পেয়েছি ওই shape"। Shape-এ দক্ষ হলে debugging অনেক সহজ।

তৈরির function

main.py

import numpy as np

print(np.zeros(4))
print(np.ones((2, 3)))
print(np.full((2, 2), 7))
print(np.eye(3))
print(np.arange(0, 10, 2))
print(np.linspace(0, 1, 5))

Function	কী দেয়	কখন
`np.zeros(shape)`	সব 0	ফলাফল জমানোর জায়গা, initialize
`np.ones(shape)`	সব 1
`np.full(shape, v)`	সব v	নির্দিষ্ট মান দিয়ে ভরা
`np.eye(n)`	identity matrix	linear algebra
`np.arange(start, stop, step)`	range-এর মতো	integer sequence
`np.linspace(a, b, n)`	a থেকে b, n টা সমান ভাগ	graph-এর x-axis

Shape সবসময় tuple: np.zeros((2, 3)) — দুই bracket! np.zeros(2, 3) লিখলে error বা ভুল ফলাফল।

Attribute: shape, ndim, size, dtype

main.py

import numpy as np

images = np.zeros((32, 28, 28))

print("shape:", images.shape)
print("ndim:", images.ndim)
print("size:", images.size)
print("dtype:", images.dtype)
print("memory:", images.nbytes, "bytes")

reshape: আকার বদলানো

একই data, ভিন্ন আকারে সাজানো — মোট item সংখ্যা একই থাকতে হবে:

main.py

import numpy as np

a = np.arange(12)
print(a.reshape(3, 4))
print(a.reshape(2, 6))
print(a.reshape(4, -1))
print(a.reshape(3, 4).flatten())

-1 মানে "বাকিটা তুমি হিসাব করো" — 12টা item, 4 row, তাই column = 3। খুব কাজের।

main.py

import numpy as np

image = np.zeros((28, 28))
flat = image.reshape(-1)
print(flat.shape)

ঠিক এভাবেই একটা 28×28 ছবিকে 784টা সংখ্যার vector বানিয়ে সাধারণ neural network-এ দেওয়া হয়।

dtype আর astype

main.py

import numpy as np

scores = np.array([72.6, 85.2, 90.9])
print(scores.astype(int))

pixels = np.array([0, 128, 255], dtype=np.uint8)
print(pixels, pixels.dtype)
print(pixels / 255)

dtype	রাখে	কোথায়
`int64`	পূর্ণসংখ্যা	label, count
`float64`	দশমিক (default)	সাধারণ হিসাব
`float32`	দশমিক, অর্ধেক memory	Deep learning (GPU)
`uint8`	0–255	ছবির pixel
`bool`	True/False	mask

astype(int) দশমিক কেটে ফেলে, round করে না (72.6 → 72)।

Exercise

Array বানাও

+20 XP

NumPy function দিয়ে (হাতে সংখ্যা না লিখে) তিনটা array বানাও:

grid — 1 থেকে 12 পর্যন্ত সংখ্যা, 3 row × 4 column আকারে
identity — 3×3 identity matrix (কর্ণে 1, বাকি 0)
steps — 0 থেকে 1 পর্যন্ত (দুই প্রান্ত সহ) সমান দূরত্বে 5টা সংখ্যা

solution.py

import numpy as np

grid = None
identity = None
steps = None

print(grid)
print(identity)
print(steps)

Quiz

Q1np.zeros((2, 3))-এর shape আর ndim কী?
shape (2, 3), ndim 2shape (6,), ndim 1shape (3, 2), ndim 2
Q2np.arange(10).reshape(3, 4) চালালে কী হবে?
3×4 array, বাকি জায়গা 0ValueError — 10টা item 3×4 = 12-এ ভাগ করা যায় না3×3 array
Q3np.arange(0, 1, 0.25) আর np.linspace(0, 1, 5)-এর পার্থক্য কী?
কোনো পার্থক্য নেইarange step দিয়ে চলে আর শেষ মান বাদ দেয় [0, .25, .5, .75]; linspace count দিয়ে চলে আর শেষ মান রাখে [0, .25, .5, .75, 1]linspace শুধু integer দেয়

0/3 answered

Challenge

একটা ছবি বানাও

+50 XP

Computer-এর কাছে একটা রঙিন ছবি হলো (height, width, 3) shape-এর array — প্রতিটা pixel-এ লাল, সবুজ, নীল (RGB) তিনটা মান, প্রতিটা 0 থেকে 255।

make_image(height, width, color) function লেখো যেটা এমন একটা array return করে যার প্রতিটা pixel color (একটা (r, g, b) tuple)। dtype হবে uint8 (ছবির standard)।

solution.py

import numpy as np


def make_image(height, width, color):
    pass


img = make_image(2, 3, (0, 106, 78))
print(img.shape, img.dtype)
print(img[0, 0])

বাস্তবে কোথায় ব্যবহার হয়?

একটা ছবি নিয়ে model-এ দেওয়ার আগের preprocessing — একদম real pipeline-এর মতো:

main.py

import numpy as np

image = np.full((4, 4, 3), (0, 106, 78), dtype=np.uint8)
print("মূল ছবি:", image.shape, image.dtype)

x = image.astype(np.float32) / 255.0
print("normalize:", x.dtype, x.min(), x.max())

x = x.transpose(2, 0, 1)
print("channels-first (PyTorch):", x.shape)

batch = x.reshape(1, *x.shape)
print("batch:", batch.shape)

uint8 → float32, 0–255 → 0–1, (H, W, C) → (C, H, W), তারপর batch dimension যোগ — PyTorch-এ image model-এ দেওয়ার আগে এই কাজগুলোই হয়।

Interview প্রশ্ন

Beginner: Array-এর shape আর ndim কী?
Intermediate: reshape(-1) কী করে? flatten() আর ravel()-এর পার্থক্য কী? (flatten সবসময় copy, ravel সম্ভব হলে view।)
Advanced: Deep learning-এ float64-এর বদলে float32 (বা float16) কেন ব্যবহার করা হয়?

এরপর কী?

Array বানাতে পারি। এখন ভেতর থেকে নির্দিষ্ট অংশ বের করতে হবে — একটা row, একটা column, শর্ত মানা মানগুলো। পরের lesson: Indexing ও Slicing।