Broadcasting

Kanca

5 bölge × 4 ürün kategorisi için bir fiyat matrisin var — şekli (5, 4). Her kategoriye ayrı bir kargo eklentisi eklemek istiyorsun — bu sadece 4 elemanlık bir liste, şekli (4,). Şekilleri bile uyuşmayan bu iki diziyi fiyat_matrisi + kategori_kargo yazarak nasıl topluyorsun, ve NumPy bunu nasıl anlıyor?

Sezgi

Broadcasting, NumPy’ın “şekilleri farklı iki diziyi, biri küçüğü büyüğe göre görünmez yere genişleterek” toplamasına izin veren kuraldır. NumPy, iki dizinin şekillerini SAĞDAN başlayarak karşılaştırır; her boyut çifti ya birbirine eşit olmalı ya da biri 1 olmalı — o zaman 1 olan taraf, diğerinin boyutuna “genişler”.

Örnekleri dene: “Satır vektörü ile” örneğinde (5,4) + (4,) uyumlu çünkü sağdan hizalanınca ikinci boyutlar (4 ve 4) eşit. “Uyumsuz (hata)” örneğinde ise son boyutlar (4 ve 3) ne eşit ne de biri 1 — NumPy burada hata verir.

Mekanizma

Somut sayılarla ilerleyelim. 5 bölge × 4 kategorilik bir fiyat matrisi ve 4 elemanlık bir kargo vektörü:

# 5 bölge × 4 ürün kategorisi için taban fiyat matrisi (satır=bölge, sütun=kategori).
fiyat_matrisi = rng.integers(50, 200, size=(5, 4)).astype(float)
print("Fiyat matrisi şekli:", fiyat_matrisi.shape)
print(fiyat_matrisi)

# Her kategoriye ayrı bir kargo eklentisi uygulamak istiyoruz — TEK BOYUTLU bir dizi.
kategori_kargo = np.array([10, 25, 5, 15])
print("\nKargo eklentisi şekli:", kategori_kargo.shape)

# Broadcasting: (5,4) + (4,) döngü YAZMADAN her satıra aynı 4 elemanlı vektörü ekliyor.
toplam_fiyat = fiyat_matrisi + kategori_kargo
print("\nToplam fiyat (broadcasting ile):")
print(toplam_fiyat)

Fiyat matrisi şekli: (5, 4)
[[ 63. 166. 148. 115.]
 [114. 178.  62. 154.]
 [ 80.  64. 128. 196.]
 [160. 164. 157. 167.]
 [126.  69. 175. 117.]]

Kargo eklentisi şekli: (4,)

Toplam fiyat (broadcasting ile):
[[ 73. 191. 153. 130.]
 [124. 203.  67. 169.]
 [ 90.  89. 133. 211.]
 [170. 189. 162. 182.]
 [136.  94. 180. 132.]]

Tek satırda, döngü yazmadan, kargo eklentisi her satıra (her bölgeye) uygulandı. Bunun NEDEN çalıştığını adım adım görelim:

# NumPy şekilleri SAĞDAN hizalar. (4,) diziye önce hayali bir 1 eklenir: (1, 4).
# Sonra her boyut karşılaştırılır: eşit VEYA biri 1 olmalı.
print("Hizalama:")
print(f"  fiyat_matrisi.shape = {fiyat_matrisi.shape}")
print(f"  kategori_kargo.shape = {kategori_kargo.shape}  →  (1, 4) olarak hizalanır")
print(f"  Karşılaştırma: boyut 0: 5 vs 1 (1 olduğu için genişler) ✓")
print(f"                 boyut 1: 4 vs 4 (eşit) ✓")
print(f"  Sonuç şekli: {toplam_fiyat.shape}")

# Elle döngüyle yapsaydık aynı sonucu bulurduk — ama 5 satır için 5 ayrı toplama gerekirdi.
elle = np.array([fiyat_matrisi[i] + kategori_kargo for i in range(5)])
print(f"\nElle döngü ile aynı mı? {np.allclose(elle, toplam_fiyat)}")

Hizalama:
  fiyat_matrisi.shape = (5, 4)
  kategori_kargo.shape = (4,)  →  (1, 4) olarak hizalanır
  Karşılaştırma: boyut 0: 5 vs 1 (1 olduğu için genişler) ✓
                 boyut 1: 4 vs 4 (eşit) ✓
  Sonuç şekli: (5, 4)

Elle döngü ile aynı mı? True

(4,) şekli, sağdan hizalanırken önce hayali bir (1, 4)’e dönüştürülür. Sonra boyut boyut karşılaştırılır: birinci boyutta 5 ile 1 — 1 olan taraf genişler; ikinci boyutta 4 ile 4 — zaten eşit. Elle yazdığımız döngüyle karşılaştırınca sonuç birebir aynı çıkıyor — broadcasting sadece bu döngüyü senin yerine, çok daha hızlı yapıyor.

Çoğu kişi “broadcasting her zaman çalışır, NumPy şekilleri otomatik uydurur” sanır. Değil, çünkü kural nettir: boyutlar eşit olmalı VEYA biri 1 olmalı — bu ikisi de sağlanmazsa NumPy hata verir, sessizce yanlış bir sonuç üretmez.

Matematik

Kod

Şimdi uyumsuz bir şekil deneyelim ve hatayı görüp düzeltelim:

# Şimdi UYUMSUZ bir şekil deneyelim: her bölge için TEK bir sayı (5,) eklemeye çalışalım.
bolge_indirimi = np.array([5, 10, 0, 20, 15])  # 5 elemanlı — bölge sayısı kadar

try:
    hatali_sonuc = fiyat_matrisi + bolge_indirimi
except ValueError as hata:
    print(f"HATA: {hata}")
    print("Sebep: (5,4) ve (5,) sağdan hizalanınca son boyutlar 4 ve 5 — ikisi de 1 değil, eşit de değil.")

# Çözüm: bolge_indirimi'ni (5, 1) şekline getirip her SATIRA uygulanmasını sağlamak.
bolge_indirimi_dikey = bolge_indirimi.reshape(5, 1)
duzeltilmis_sonuc = fiyat_matrisi + bolge_indirimi_dikey
print(f"\nreshape(5,1) sonrası şekil: {bolge_indirimi_dikey.shape} — şimdi (5,4) ile uyumlu")
print(duzeltilmis_sonuc)

HATA: operands could not be broadcast together with shapes (5,4) (5,) 
Sebep: (5,4) ve (5,) sağdan hizalanınca son boyutlar 4 ve 5 — ikisi de 1 değil, eşit de değil.

reshape(5,1) sonrası şekil: (5, 1) — şimdi (5,4) ile uyumlu
[[ 68. 171. 153. 120.]
 [124. 188.  72. 164.]
 [ 80.  64. 128. 196.]
 [180. 184. 177. 187.]
 [141.  84. 190. 132.]]

(5,4) ve (5,) sağdan hizalanınca son boyutlar 4 ve 5 — uyuşmuyor, NumPy ValueError fırlatıyor. Çözüm: reshape(5,1) ile diziyi “dikey” hâle getirmek — artık (5,1), (5,4) ile sağdan hizalanınca ikinci boyutta 1 var, genişleyebiliyor.

Nerede işe yarar

Broadcasting, veri biliminde her yerde karşına çıkar:

• Normalizasyon. Bir matrisin her sütunundan o sütunun ortalamasını çıkarmak (matris - matris.mean(axis=0)), 15. derste göreceğimiz ölçekleme işleminin temelidir.
• Toplu düzeltme. Bir görüntü matrisinin her pikseline aynı parlaklık değerini eklemek.
• Görüntü işleme ve derin öğrenme. Bir “batch” görüntüye aynı filtreyi uygulamak, PyTorch/TensorFlow’da broadcasting üzerine kuruludur.

Bu 3 hatayı yaparsın:

1. Şekilleri kontrol etmeden toplama/çarpma yapıp beklenmedik bir ValueError almak.
2. reshape ile boyutu doğru yöne çevirmeyi unutmak — (5,) ile (5,1) görünüşte benzer ama broadcasting’de çok farklı davranır.
3. Broadcasting’in bellekte gerçek bir kopyalama yaptığını sanmak — aslında sadece “sanal” bir genişlemedir, ekstra bellek harcamaz.

Kendini test et

Özet