Python & NumPy Refresher

import numpy as np
 
a = np.array([1, 2, 3])         # একটি ভেক্টর, শেপ (3,)
b = np.zeros((2, 3))            # 2×3 ম্যাট্রিক্স, সব শূন্য
c = np.random.randn(2, 3)       # 2×3 ম্যাট্রিক্স, স্ট্যান্ডার্ড নর্মাল র্যান্ডম মান
d = np.ones((4, 5, 3))          # 3-D টেনসর: 4টি স্যাম্পল, 5টি টাইম স্টেপ, 3টি ফিচার
 
print(f"a shape: {a.shape}")    # (3,)
print(f"b shape: {b.shape}")    # (2, 3)
print(f"d shape: {d.shape}")    # (4, 5, 3)

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
 
# উপাদান-ভিত্তিক অপারেশন (element-wise)
print(A + B)       # উপাদান-ভিত্তিক যোগ
print(A * B)       # উপাদান-ভিত্তিক গুণ (এটি ম্যাট্রিক্স গুণ নয়!)
 
# ম্যাট্রিক্স গুণন (LSTM-এ এটিই ব্যবহৃত হয়)
print(A @ B)       # np.matmul(A, B)-এর সমতুল্য
print(A.dot(B))    # এটিও একই কাজ করে
 
# ট্রান্সপোজ (Transposition)
print(A.T)         # শেপ (2,2) → শেপ (2,2); সাধারণভাবে (m,n) → (n,m)
 
# ভেক্টর স্ট্যাক করা (Stacking vectors)
x = np.array([[1], [2]])      # শেপ (2,1)
h = np.array([[0.5], [0.3]])  # শেপ (2,1)
concat = np.vstack([x, h])    # শেপ (4,1) — NumPy LSTM-এ ব্যবহৃত

x = np.array([[1, 2, 3],
              [4, 5, 6]])   # শেপ (2, 3)
y = np.array([10, 20, 30])  # শেপ (3,)
 
print(x + y)
# [[11 22 33]
#  [14 25 36]]
# y-কে x-এর দুটি রোতেই আলাদাভাবে যোগ হিসেবে গণ্য করা হয়েছে

z = np.arange(12).reshape(3, 4)  # [[0,1,2,3],[4,5,6,7],[8,9,10,11]]
 
print(z[:, 1])     # কলাম 1: [1, 5, 9]
print(z[0, :])     # রো 0:   [0, 1, 2, 3]
print(z[1:, 2:])   # রো ১-২, কলাম ২-৩: [[6,7],[10,11]]
 
# রিশেপিং (ফ্ল্যাট অ্যারে ও টেনসরের মধ্যে রূপান্তর)
flat = np.arange(24)              # শেপ (24,)
cube = flat.reshape(2, 3, 4)      # শেপ (2, 3, 4)
back = cube.flatten()             # আবার শেপ (24,)
 
# নতুন অক্ষ যোগ করা (Keras LSTM-এ 3-D ইনপুট তৈরি করতে ব্যবহৃত)
series = np.array([1., 2., 3., 4., 5.])  # শেপ (5,)
lstm_input = series[:, np.newaxis]        # শেপ (5, 1)
batch_input = lstm_input[np.newaxis, :]  # শেপ (1, 5, 1) — ব্যাচ সাইজ ১

# লিস্ট কম্প্রিহেনশন — ডেটা প্রিপারেশনে বহুল ব্যবহৃত
windows = [series[i:i+4] for i in range(len(series)-4)]
 
# অ্যারের ডিকশনারি — NumPy LSTM-এ প্যারামিটার সংরক্ষণে ব্যবহৃত
params = {
    "W_f": np.random.randn(8, 9) * 0.1,
    "b_f": np.zeros((8, 1)),
}
 
# enumerate এবং reversed — BPTT-তে ব্যবহৃত
for t, cache in enumerate(caches):
    ...  # ফরোয়ার্ড ইন্ডেক্সিং
 
for t in reversed(range(len(caches))):
    ...  # টাইমের উল্টো দিকে ব্যাকপ্রপাগেশন
 
# f-string — সর্বত্র পঠনযোগ্য আউটপুটের জন্য
hidden_size = 64
print(f"Hidden size: {hidden_size}, parameters: {4*hidden_size*(hidden_size+1+1)}")
 
# টাইপ হিন্টস (Python 3.5+)
def make_windows(series: np.ndarray, w: int) -> tuple[np.ndarray, np.ndarray]:
    ...

pip install numpy tensorflow scikit-learn matplotlib optuna

pip install "numpy==1.24.*" "tensorflow==2.13.*" "scikit-learn==1.3.*" \
            "matplotlib==3.7.*" "optuna==3.3.*"