#numpy

Learn Vectorized Thinking in Python Through Examples

Bài viết giải thích tại sao vòng lặp Python thường chậm khi xử lý dữ liệu lớn và giới thiệu cách thay thế bằng các phép toán vector hóa của NumPy. Nó trình bày từng kỹ thuật như phép toán phần tử, masking boolean, broadcasting giữa các hình dạng mảng và tổng hợp theo trục, kèm ví dụ song song giữa mã loop và mã vector hóa cho thuế, cảnh báo nhiệt độ, chuẩn hoá CTR chiến dịch và tính lương làm thêm. Các thí nghiệm cho thấy việc sử dụng NumPy có thể cải thiện đáng kể thời gian thực thi so với vòng lặp thuần Python. Bài cũng đưa ra danh sách kiểm tra để nhanh chóng nhận diện các vòng lặp có thể được vector hóa, giúp lập trình viên tối ưu hoá mã mà không thay đổi logic. Kết luận, việc áp dụng tư duy vector hóa không chỉ làm mã ngắn gọn hơn mà còn nâng đáng kể hiệu suất, đặc biệt khi làm việc với mảng đa chiều và các điều kiện phức tạp.

Bài viết này giúp lập trình viên Python tối ưu hóa hiệu suất bằng cách thay thế vòng lặp chậm bằng các thao tác vector hóa của NumPy.

Neural Networks Explained: What They Are and How to Build One in Python

Bài viết giới thiệu về mạng neural là mô hình cơ bản đứng sau nhiều ứng dụng AI hiện đại như nhận dạng chữ viết tay, lọc spam, đề xuất video và xử lý ngôn ngữ tự nhiên. Nó giải thích cấu trúc của mạng bao gồm các lớp nerve cell (neuron), hàm kích hoạt và quá trình lan truyền thuận cùng lan truyền ngược để cập nhật trọng số. Tác giả hướng dẫn cách xây dựng một mạng neural đơn giản từ đầu bằng Python, minh họa với quá trình huấn luyện và đánh giá trên một bộ dữ liệu mẫu. Qua đó, readers thấy được mối quan hệ trực tiếp giữa việc chọn hàm kích hoạt, learning rate và số lớp ẩn với hiệu suất cuối cùng của mô hình. Bài học chính là nắm vững nguyên lý toán học và triển khai cơ bản sẽ giúp lập trình viên dễ dàng chọn framework phù hợp, tinh chỉnh siêu tham số và gỡ lỗi khi làm việc với các mô hình deep learning thực tế.

Bài viết giải thích rõ ràng về mạng thần kinh kinh điển và cách triển khai trong Python, giúp lập trình viên nắm vững nền tảng AI hiện đại.

Python for Mechanical Engineering

Python là ngôn ngữ lập trình hữu ích cho kỹ sư cơ khí, giúp tối ưu hóa quy trình khi thiết kế robotics, phân tích động lực học chất lỏng (CFD) hay xử lý dữ liệu kỹ thuật phức tạp.

Lập trình viên chuyên về kỹ thuật cơ khí sẽ tiết kiệm thời gian và tăng hiệu quả khi tự tự động hóa các công việc phân tích dữ liệu, mô phỏng vật lý hoặc tối ưu hóa thiết kế bằng Python, giúp giải quyết vấn đề nhanh hơn mà không phụ thuộc vào các công cụ bên ngoài.

NumPy Tutorial: Your First Steps Into Data Science in Python Quiz – Real Python

Bài kiểm tra này đánh giá kiến thức NumPy của bạn về mảng (arrays), trục (axes), broadcasting, indexing, masks và kiểu dữ liệu (data types) – những nền tảng quan trọng trong data science với Python.

Một lập trình viên nên đọc bài này để hiểu rõ cách NumPy giúp xử lý dữ liệu vector/matrix hiệu quả, từ đó tối ưu hóa các thao tác tính toán và phân tích dữ liệu trong các dự án khoa học dữ liệu.

OpenGL Extrusions (and Tessellation)

I've released a new library opengl_extrusions which is a Numpy and Cython library that does 3D extrusions (like the GLE library) and tessellations (one of the things the GLU library does). The motivation being that the GLE library is constrained to compatibility contexts (think "legacy OpenGL", so it doesn't work…

Numpy Implementation of PCA for Recognizing MNIST (handwritten digits) dataset

Numpy Implementation of PCA for Recognizing MNIST (handwritten digits) dataset If you need some refresher in Principal Component Analysis (PCA), here is an article for that. This article will …

Go hands-on with Python 3.15

Bài viết giới thiệu phiên bản sắp ra mắt Python 3.15, nhấn mạnh việc thử nghiệm trực tiếp các cải tiến mới. Nổi bật nhất là trình JIT được tích hợp sẵn trong interpreter, giúp tăng tốc độ thực thi mã mà không cần công cụ bên ngoài. Đồng thời, Python 3.15 bổ sung một số kiểu dữ liệu mạnh mẽ mới (ví dụ: kiểu struct‑like và union type mở rộng) để xử lý dữ liệu phức tạp hiệu quả hơn. Những thay đổi này cho thấy hiệu suất có thể tăng lên tới 20‑30% trong các workload tính toán mạnh, đồng thời giảm nhu cầu sử dụng các extension như PyPy hoặc Cython cho một số trường hợp. Đối với lập trình viên muốn nắm trước xu hướng hiệu suất và tính năng của Python, bài viết cung cấp một cách thực hành nhanh chóng để đánh giá xem việc nâng cấp có mang lại lợi ích thực tế không.

Bài viết này giúp lập trình viên nắm bắt những cải tiến đột phá và tính năng mạnh mẽ sắp có trong Python 3.15.

Using the railway network as a flatbed scanner

Một người chơi nghiệp dư chế tạo camera quét khe slit-scan từ cảm biến quét tuyến tính Basler công nghiệp để chụp cảnh dài liên tục từ tàu hỏa và phà di chuyển. Dự án bao gồm khung cơ khí in 3D, thu thập dữ liệu GPS và gia tốc kế để hiệu chỉnh tốc độ thay đổi và thị sai, phần mềm tùy chỉnh bằng Dear ImGui sau khi OpenCV's highgui tỏ ra quá chậm, cùng pipeline hậu xử lý dựa trên NumPy tên grindstone. Bài viết cũng đề cập các vấn đề của camera màu như nhiễu hồng ngoại, méo kênh màu, và công cụ hiển thị ảnh gigapixel trên trình duyệt bằng OpenSeadragon và vips.

Lập trình viên muốn khám phá cách kết hợp công nghệ máy tính với vật lý thực tế để giải quyết vấn đề xử lý hình ảnh lớn và thách thức về thời gian thực—đặc biệt là khi cần tối ưu hóa từ OpenCV đến các giải pháp post-processing hiệu quả như NumPy—thì đọc bài này để học cách xây dựng hệ thống từ cơ sở đến ứng dụng thực tế.

Episode #307: Improving NumPy Performance on Free-Threaded Python – The Real Python Podcast

Bài viết thảo luận về những trở ngại khiến NumPy không thể tối ưu hiệu suất trên Python không khóa GIL (free-threaded), với sự góp mặt của Christopher Trudeau giới thiệu các bài viết và dự án từ PyCoder's Weekly.

Lập trình viên cần đọc bài này để hiểu cách tối ưu hóa hiệu suất NumPy trong Python đa luồng, giúp giảm thiểu các điểm cản trở khi xử lý dữ liệu lớn và tăng tốc các ứng dụng khoa học dữ liệu.

PyCoder’s Weekly

Bản tin PyCoder’s Weekly tuần này giới thiệu về NumPy phiên bản Free-Threaded, cơ chế __all__ trong Python, cập nhật mới từ PyTorch cùng nhiều nội dung công nghệ khác.

Là người phát triển Python, đọc bài này để cập nhật những tiến bộ mới nhất về NumPy (như tính toán song song tự do) và PyTorch (những cải tiến mới về tính năng và hiệu suất), giúp tối ưu hóa công việc xây dựng mô hình AI hoặc xử lý dữ liệu hiệu quả hơn.

OMI Audio extension for glTF

Tiện ích mở rộng OMI Audio cho glTF hỗ trợ trộn âm thanh vị trí bằng thư viện Numpy, tương thích với các định dạng mp3, wav, opus, flac và đầu ra stereo. Mã nguồn có sẵn trên GitHub (omi_audio) và PyPI.

Lập trình viên phát triển game hoặc ứng dụng 3D cần biết về OMI Audio extension để tối ưu hóa âm thanh vị trí (spatial audio) trong glTF, giúp tăng chất lượng trải nghiệm âm thanh cho các môi trường ảo thực tế.

Just brute force your embeddings

Với bộ dữ liệu đủ nhỏ, thay vì dùng các phương pháp tìm kiếm vector phức tạp, brute-force (tìm kiếm tuyến tính) có thể đơn giản và hiệu quả hơn, giúp giảm thiểu rắc rối vận hành.

Lập trình viên nên đọc bài này để hiểu cách tối ưu hóa tìm kiếm vector đơn giản bằng cách thử brute-force, giúp tiết kiệm thời gian và chi phí khi xử lý các bộ dữ liệu nhỏ, tránh thắc mắc về hiệu suất và chi phí của các giải pháp vector search phức tạp hơn.

PyCoder’s Weekly

Bản tin PyCoder’s Weekly cập nhật giao diện PyPI, cách tìm lớp bằng Garbage Collector (GC), định dạng mới pylock.toml cùng nhiều nội dung khác.

Một lập trình viên Python nên đọc PyCoder’s Weekly vì bài viết này tổng hợp những công cụ và kiến thức mới nhất về quản lý bộ nhớ, hiệu suất mã nguồn, và các công nghệ hiện đại như pylock.toml, giúp nâng cao hiệu quả và chất lượng phát triển dự án.

PCA: an embedding shrink-ray

Bài viết giới thiệu cách sử dụng PCA để giảm chiều dữ liệu (embeddings) nhằm tối ưu hóa không gian lưu trữ và tăng tốc độ xử lý.

Một lập trình viên nên đọc bài này để hiểu cách PCA giúp tối ưu hóa không gian dữ liệu bằng cách giảm chiều số liệu embedding mà vẫn giữ được thông tin chính yếu, giúp cải thiện hiệu suất mô hình AI và tiết kiệm tài nguyên.

I’m Learning in Public Again! Day 6: My First Look at NumPy

Tác giả tiếp tục chia sẻ hành trình học lập trình công khai, ngày thứ 6 này là lần đầu tiên anh ấy tìm hiểu về thư viện NumPy sau khi đã nắm vững các khái niệm cơ bản của Python thuần.

Lập trình viên muốn chuyển từ Python cơ bản sang xử lý dữ liệu hiệu quả sẽ thấy NumPy là công cụ không thể thiếu, giúp tối ưu hóa các thao tác vector và ma trận với tốc độ và tính năng mạnh mẽ hơn nhiều so với Python nguyên thủy.

Medium

Bài viết giải thích lý do tốc độ hoạt động của mảng NumPy phụ thuộc vào memory layout, strides, views, copies. Nó phân tích sâu về cách những yếu tố này ảnh hưởng đến hiệu suất.

Bạn sẽ hiểu cách NumPy quản lý bộ nhớ một cách hiệu quả, tránh những lỗi về thời gian chạy và bộ nhớ khi xử lý dữ liệu lớn, từ đó tối ưu hóa mã của mình ngay từ cơ sở.

OMI Physics Extension for glTF

Gói OMI Physics dựa trên Numpy đã được phát triển và đăng tải lên PyPI với tên omi_physics, mô phỏng vật lý theo phong cách game engine dựa trên tiêu chuẩn OMI extensions cho glTF, tập trung vào các tính năng cơ bản thay vì vật lý thực tế.

Lập trình viên muốn xây dựng mô hình vật lý đơn giản cho game hoặc ứng dụng sim nhanh chóng nên tìm hiểu OMI Physics Extension for glTF vì nó cung cấp một gói mở rộng hiệu quả, dựa trên tiêu chuẩn glTF, giúp tích hợp tính năng vật lý cơ bản mà không cần phải viết từ đầu.

Your Simulation Gets the Average Right and Fails Exactly Where the Risk Lives

Your Simulation Gets the Average Right and Fails Exactly Where the Risk Lives With 1,000 draws, the median of my simulation was stable. The 5th percentile jumped by more than 100 percentage points …

Beyond Binary: Taming Image Noise with Local Ternary Patterns (LTP)

LBP là phương pháp phân tích vi cấu trúc ảnh hiệu quả, nhưng dễ bị nhiễu. Bài viết giới thiệu LTP (Local Ternary Pattern) - phiên bản nâng cấp của LBP, khắc phục hạn chế này bằng cách sử dụng ngưỡng ba giá trị (-1, 0, +1) thay vì nhị phân, giúp giảm nhiễu trong phân tích ảnh.

Lập trình viên nên đọc bài này để khám phá cách LTP (Local Ternary Patterns) mở rộng khả năng xử lý ảnh bằng cách sử dụng ba giá trị thay vì hai, giúp cải thiện hiệu quả trong xử lý nhiễu và phân tích micro-texture mà không cần tăng tải trọng tính toán đáng kể.

Using NumPy reshape() to Change the Shape of an Array Quiz – Real Python

Thực hành sử dụng hàm reshape() của NumPy để thay đổi hình dạng mảng, thêm/bớt chiều dữ liệu và kiểm soát cách sắp xếp lại dữ liệu.

Lập trình viên cần đọc bài này để hiểu cách sử dụng reshape() trong NumPy để tối ưu hóa dữ liệu, giải quyết vấn đề về cấu trúc dữ liệu phức tạp và tránh lỗi khi chuyển đổi hình dạng mảng một cách hiệu quả.

Analog AI Is Back, But Can It Survive Its Own Noise?

Điện toán tương tự (analog computing) đang hồi sinh nhờ nhu cầu tiết kiệm năng lượng của AI, khi nó thực hiện phép nhân ma trận-vec-tơ trực tiếp trong bộ nhớ nhờ các thuộc tính vật lý như độ dẫn, định luật Ohm và Kirchhoff, vượt qua " bottleneck von Neumann". Tuy nhiên, công nghệ này đối mặt thách thức lớn từ nhiễu (noise), chi phí chuyển đổi ADC/DAC, và độ trôi dẫn (conductance drift), dù huấn luyện chống nhiễu (noise-injection training) có thể cải thiện độ bền vững. Các công ty như IBM Research, EnCharge AI và Mythic đang phát triển, nhưng công nghệ vẫn chủ yếu ở giai đoạn tiền thương mại, phù hợp cho suy luận (inference) hơn là huấn luyện.

Lập trình viên nên đọc bài này để hiểu cách các công ty như IBM và EnCharge AI đang tận dụng tính chất vật lý của điện tử analog để giải quyết vấn đề tiêu thụ năng lượng trong AI, và cách các kỹ thuật như noise-injection training có thể giúp bảo vệ mô hình trước sai số vật lý mà không làm giảm hiệu quả.

Estimating the heights of New Yorkers from their scuff marks

Một hành khách chờ tàu dựa chân vào tường, để lại vết xước trên tường.

Là người phát triển phần mềm, bạn nên đọc bài này để hiểu cách ứng dụng AI và dữ liệu thực tế để giải quyết vấn đề thực tế, từ đó tìm hiểu về cách kết hợp kiến thức khoa học với công nghệ để xây dựng các giải pháp thông minh và hiệu quả trong ứng dụng của riêng mình.

Eigenvalues for People Who Slept Through Linear Algebra

Bài viết giải thích eigenvalues và eigenvectors theo cách thân thiện, dễ hiểu như một người bạn chia sẻ lúc 2 giờ sáng, kèm theo hình vẽ, câu đùa và đoạn code hoạt động.

Lập trình viên nên đọc bài này vì những giá trị riêng (eigenvalues) và vectơ riêng (eigenvectors) là công cụ bí mật giúp giải quyết các vấn đề thực tế như phân tích dữ liệu, tối ưu hóa thuật toán, và thậm chí là giải quyết các vấn đề AI đơn giản hơn nhiều.

Plumbing Life's Depths

Phiên bản beta 2.3.4b1 của PyVRML97 tập trung cập nhật quy trình build và CI, đồng thời sửa lỗi tương thích Python hiện đại (bool không thể dùng làm index list) và lỗi so sánh mảng NumPy 2.x. Bản beta này chuẩn bị cho phiên bản alpha sắp tới của OpenGLContext.

Lập trình viên phát triển game hoặc ứng dụng 3D cần hiểu về PyVRML97 2.3.4b1 để khắc phục các vấn đề tương thích Python mới và bảo đảm tính ổn định trong quá trình tích hợp OpenGLContext sắp tới.