در این مطلب، ویدئو کتابخانه Numba- بیایید پایتون را سریعتر کنیم با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:06:45
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:13,759
[موسیقی]
2
00:00:13,759 –> 00:00:15,200
سلام نام همه من کریشناک است و
3
00:00:15,200 –> 00:00:16,560
به کانال یوتیوب من خوش آمدید، بنابراین بچه ها
4
00:00:16,560 –> 00:00:17,760
امروز در این ویدیوی خاص می
5
00:00:17,760 –> 00:00:19,119
خواهیم در مورد این کتابخانه صحبت کنیم
6
00:00:19,119 –> 00:00:20,880
که اکنون به عنوان شماره نامیده می شود
7
00:00:20,880 –> 00:00:22,960
اگر در مورد شماره صحبت کنم،
8
00:00:22,960 –> 00:00:24,320
درست مانند یک
9
00:00:24,320 –> 00:00:27,199
کامپایلر جاستین تایم است. برای پایتون خوب است، حالا که
10
00:00:27,199 –> 00:00:29,359
می گویم کامپایلر دقیقاً به موقع، ما به وضوح
11
00:00:29,359 –> 00:00:31,039
می دانیم و می گوییم که بله پایتون یک
12
00:00:31,039 –> 00:00:32,880
زبان برنامه نویسی کند است زیرا
13
00:00:32,880 –> 00:00:34,880
یک زبان برنامه نویسی تفسیر شده است
14
00:00:34,880 –> 00:00:36,480
و اگر برخی از
15
00:00:36,480 –> 00:00:38,320
زبان های برنامه نویسی دیگر مانند جاوا و cv
16
00:00:38,320 –> 00:00:39,040
plus plus را در نظر بگیرم
17
00:00:39,040 –> 00:00:40,879
از آنها استفاده می کنند. این کامپایلر به موقع
18
00:00:40,879 –> 00:00:43,200
که در آن کل کد
19
00:00:43,200 –> 00:00:44,960
را درست به کد سطح ماشین تبدیل می کنند
20
00:00:44,960 –> 00:00:47,280
در حالی که در مورد
21
00:00:47,280 –> 00:00:48,960
پایتون یک زبان برنامه نویسی تفسیر شده است
22
00:00:48,960 –> 00:00:50,320
که مستقیماً اجرا می شود این
23
00:00:50,320 –> 00:00:51,600
تبدیل وجود ندارد
24
00:00:51,600 –> 00:00:53,120
و به دلیل این پایتون
25
00:00:53,120 –> 00:00:54,719
در مقایسه با جاوا واقعاً کند است. و c
26
00:00:54,719 –> 00:00:57,760
plus plus چه می شود اگر گزینه ای وجود داشته باشد
27
00:00:57,760 –> 00:01:00,000
که بتوانیم این کد پایتون را
28
00:01:00,000 –> 00:01:01,840
به عنوان یک کامپایلر به موقع بسازیم یا می
29
00:01:01,840 –> 00:01:02,480
توانیم آن را
30
00:01:02,480 –> 00:01:04,959
به یک کد ماشینی تبدیل کنیم. ight
31
00:01:04,959 –> 00:01:06,240
و بله، ما میتوانیم این کار را
32
00:01:06,240 –> 00:01:08,000
با استفاده از کتابخانه خاصی که به عنوان شماره نامیده میشود، انجام دهیم،
33
00:01:08,000 –> 00:01:10,000
اگر در مورد number guys صحبت
34
00:01:10,000 –> 00:01:11,920
کنم، این یک کامپایلر بهموقع برای پایتون است
35
00:01:11,920 –> 00:01:13,439
که بهترین عملکرد را روی کدهایی دارد
36
00:01:13,439 –> 00:01:15,520
که از آرایهها و توابع و حلقههای numpy استفاده میکند
37
00:01:15,520 –> 00:01:17,759
تا بچهها
38
00:01:17,759 –> 00:01:19,200
آن را بفهمند. پایتون ما از چیزهای زیادی
39
00:01:19,200 –> 00:01:20,799
مانند لیست فریم های داده استفاده می کنیم
40
00:01:20,799 –> 00:01:22,640
و بسیار درست است که ساختارهای داده های مختلف بسیار زیادی وجود دارد،
41
00:01:22,640 –> 00:01:24,080
42
00:01:24,080 –> 00:01:26,159
اما این نوع کامپایلرهای به موقع
43
00:01:26,159 –> 00:01:27,200
با
44
00:01:27,200 –> 00:01:30,079
آرایه هایی با توابع با حلقه های for و
45
00:01:30,079 –> 00:01:31,360
همه چیزهایی که اساساً
46
00:01:31,360 –> 00:01:32,079
از آنها استفاده می کنیم
47
00:01:32,079 –> 00:01:34,320
کار می کند. قطعاً اگر در واقع بیشتر
48
00:01:34,320 –> 00:01:36,400
49
00:01:36,400 –> 00:01:38,400
از الگوریتم به ساختارهای داده علاقه دارید، این
50
00:01:38,400 –> 00:01:40,159
کتابخانه قطعاً پیشرو است
51
00:01:40,159 –> 00:01:41,680
و ما قطعاً میتوانیم از آن برای آن
52
00:01:41,680 –> 00:01:44,240
هدف خاص استفاده کنیم، رایجترین روش
53
00:01:44,240 –> 00:01:44,560
استفاده از
54
00:01:44,560 –> 00:01:45,920
اعداد از طریق مجموعه
55
00:01:45,920 –> 00:01:47,840
دکوراتورهای آن است که میتواند برای عملکردهای شما اعمال شود.
56
00:01:47,840 –> 00:01:49,920
برای دستور کامپایل شماره،
57
00:01:49,920 –> 00:01:50,399
58
00:01:50,399 –> 00:01:52,159
بنابراین سعی می کنیم چند نمونه را ببینیم،
59
00:01:52,159 –> 00:01:53,920
اما قبل از آن ابتدا باید
60
00:01:53,920 –> 00:01:55,200
این شماره را نصب کنیم،
61
00:01:55,200 –> 00:01:56,640
بنابراین برای نصب آن را فقط
62
00:01:56,640 –> 00:01:58,320
شماره نصب پیپ را بنویسید بنابراین من فقط
63
00:01:58,320 –> 00:01:59,680
سعی می کنم آن را اجرا کنم
64
00:01:59,680 –> 00:02:01,200
و این نصب خاص
65
00:02:01,200 –> 00:02:02,960
در اینجا
66
00:02:02,960 –> 00:02:04,719
67
00:02:04,719 –> 00:02:07,280
68
00:02:07,280 –> 00:02:08,720
69
00:02:08,720 –> 00:02:11,280
انجام می شود. برای درک اینکه چگونه
70
00:02:11,280 –> 00:02:12,959
تابع اساساً
71
00:02:12,959 –> 00:02:14,560
در کد یادگیری ماشین کامپایل می شود، با عرض پوزش
72
00:02:14,560 –> 00:02:16,879
کد ماشین، کد سطح ماشین، بسیار خوب است،
73
00:02:16,879 –> 00:02:18,879
بنابراین اول از همه، من از
74
00:02:18,879 –> 00:02:20,319
شماره واردات جت
75
00:02:20,319 –> 00:02:23,040
وارد می کنم، سپس import numpy np است و زمان
76
00:02:23,040 –> 00:02:23,920
به یاد داشته باشید بچه ها
77
00:02:23,920 –> 00:02:26,000
این نوع از این کتابخانه نخواهد بود.
78
00:02:26,000 –> 00:02:28,000
کار با فریم های داده احتمالاً زمانی
79
00:02:28,000 –> 00:02:30,319
که نوعی کد eda
80
00:02:30,319 –> 00:02:32,720
را می
81
00:02:32,720 –> 00:02:34,319
نویسید، نه، اگر از آرایه های numpy استفاده می کنید،
82
00:02:34,319 –> 00:02:35,920
اگر از حلقه های for استفاده می کنید، اگر
83
00:02:35,920 –> 00:02:37,360
از انواع مختلفی از حلقه ها استفاده می کنید و
84
00:02:37,360 –> 00:02:39,120
واقعاً باید آن را ببندید، بیشتر کار می کند.
85
00:02:39,120 –> 00:02:40,080
86
00:02:40,080 –> 00:02:42,400
اکنون اول از همه کاری را که من انجام میدهم پردازش کنید،
87
00:02:42,400 –> 00:02:44,480
فقط 100 عنصر را در نظر
88
00:02:44,480 –> 00:02:46,879
میگیرم که به 10 ماتریس متقاطع 10 تغییر شکل میدهم
89
00:02:46,879 –> 00:02:48,400
و سپس تابعی ایجاد میکنم که به
90
00:02:48,400 –> 00:02:50,239
نام go underscore f نامیده میشود. ast
91
00:02:50,239 –> 00:02:51,840
و در اینجا من فقط چیزی شبیه به
92
00:02:51,840 –> 00:02:54,560
این را برای i در محدوده شکل نقطه 0 انجام
93
00:02:54,560 –> 00:02:56,400
می دهم و فقط سعی می کنم یک نوع
94
00:02:56,400 –> 00:02:58,080
عملیات ریاضی را انجام دهم که مانند
95
00:02:58,080 –> 00:02:59,280
numpy dot tan h است
96
00:02:59,280 –> 00:03:01,040
بنابراین سعی می کنم بفهمم مماس
97
00:03:01,040 –> 00:03:02,480
هر یک از اعداد
98
00:03:02,480 –> 00:03:04,959
و سپس من فقط مقدار را با
99
00:03:04,959 –> 00:03:05,599
اضافه کردن آن بر می گردم،
100
00:03:05,599 –> 00:03:07,280
این فقط تابع است، این فقط یک
101
00:03:07,280 –> 00:03:09,280
تابع است که نوعی عملیات
102
00:03:09,280 –> 00:03:10,080
ریاضی
103
00:03:10,080 –> 00:03:11,599
را برای این تعداد
104
00:03:11,599 –> 00:03:14,000
عنصر انجام می دهد، خوب شما می توانید هر نوع ریاضی بنویسید.
105
00:03:14,000 –> 00:03:15,519
تابع شما می توانید
106
00:03:15,519 –> 00:03:17,519
تابع علامت را محاسبه کنید که می توانید محاسبه کنید cos
107
00:03:17,519 –> 00:03:18,959
من فقط نوشتم که بسیار خوب، ما
108
00:03:18,959 –> 00:03:20,720
سعی می کنیم tan h این
109
00:03:20,720 –> 00:03:22,319
عدد خاص را پیدا کنیم و سپس سعی
110
00:03:22,319 –> 00:03:23,360
می کنیم آن را
111
00:03:23,360 –> 00:03:26,640
کامل جمع کنیم، زمانی که من واقعاً
112
00:03:26,640 –> 00:03:28,640
این تابع خاص را تعریف می کنم
113
00:03:28,640 –> 00:03:30,480
برای اینکه آن را با
114
00:03:30,480 –> 00:03:32,319
کا