Skip to article frontmatterSkip to article content
Site not loading correctly?

This may be due to an incorrect BASE_URL configuration. See the MyST Documentation for reference.

導入

■ はじめに

このページではPythonやその周辺に関する説明を行います．

■ Pythonとは

プログラミング言語「Python（パイソン）」Python logoとは， Python Software Foundation が中心となって開発されてきた， 読みやすさと書きやすさを重視する汎用プログラミング言語です． Web開発，データ分析，機械学習，自動化，組込み，科学技術計算など，非常に幅広い用途で使われています．

文法が比較的素直で，「まず動くものを書いてから少しずつ改良する」という流れと相性が良いです． その一方で，標準ライブラリや外部パッケージが充実しているため， 入門向けの言語でありながら，実務でも研究でも主役になれるのが強みです．

■ Pythonを使ってできること

□ 様々なPython実装

Python には 複数の実装があります． 「Pythonの文法をどの処理系で動かすか」が異なるだけで， 同じPythonコードでも内部の動作や得意分野が変わります．

□ CPython

CPython（シーパイソン） はデフォルトのPython実装です． その名の通り，インタプリタの主要部分がC言語で書かれています． 普段「Python」と言ったとき，多くの場合はこのCPythonを指しています．

実行速度はCやRustのようなコンパイル言語には及びませんが， 拡張ライブラリの豊富さ，安定性，情報量の多さが大きな強みです． 近年は実装改善やJIT関連の取り組みにより， 従来より高速化も進められています．

□ Jython

Jython（ジャイソン） は Java Virtual Machine 上で 動くPython実装です． Javaの資産と連携しやすい点が特徴で， JavaライブラリをPython風の書き味で扱いたい場面に向いています．

ただし現在の主流はPython 3系ですが， Jythonは互換性の面で制約があるため， 新規の機械学習用途で積極的に選ぶ機会はあまり多くありません．

□ MicroPython

MicroPython（マイクロパイソン） は マイコン向けに最適化された軽量なPython実装です． たとえば Raspberry Pi Pico のような小型デバイス上でPython風のコードを動かせます． Deep Learningそのものより， センサー制御や組込み教育，IoTの入門でよく見かけます．

□ RPython

RPython（アールパイソン） は 通常のPython処理系というより， 静的解析しやすいよう制約をかけたPythonの部分集合です． PyPy（パイパイ） の実装技術と深く関係しており， 言語処理系や仮想マシンの実装に用いられます． 授業で直接使うことは少ないですが， 「Python系の言語設計にはこういう世界もある」と知っておくと面白いでしょう．

□ PyPy

PyPy（パイパイ） は JITコンパイラを備えた高速なPython実装です． 純Pythonで書かれた処理が長時間回るような場面では， CPythonより速くなることがあります．

一方で，C拡張に強く依存するライブラリでは 相性が問題になることもあるため， 科学技術計算やDeep Learningで常に最善とは限りません． 用途に応じて選択することが大切です．

□ Python distribution

Python distributionとは， Python本体に加えてパッケージ管理ツールや代表的なライブラリを まとめて配布したものだと考えると分かりやすいです． とくにデータ分析や機械学習の分野では， 環境構築の手間を減らすために distribution が使われることがあります．

□ Anaconda

Anaconda（アナコンダ） は Anaconda, Inc. が提供する代表的なPython distributionです． conda による環境管理に加え， JupyterLab（ジュピターラボ） や数値計算系ライブラリを まとめて導入しやすい点が特徴です．

初学者でも比較的簡単にデータ分析環境をそろえられますが， 近年はより軽量な構成を好んで uv や venv を使う人も多いです．

□ Miniconda

Miniconda（ミニコンダ） は Anacondaの軽量版です． 最小限のPython環境と conda だけを入れて， 必要なものを後から追加していくスタイルに向いています． 最初から大量のパッケージを抱え込みたくない場合に便利です．

□ Intel® Distribution for Python

Intel® Distribution for Python は，Intel製CPUや関連ライブラリ向けに最適化された distribution です． 数値計算を高速にしたい場面では魅力がありますが， 授業や日常的な開発では標準的なCPython環境を使う方が分かりやすいでしょう．

□ パッケージ管理・バージョン管理

PyPI（パイピーアイ） は Pythonパッケージの代表的な公開場所です． Pythonでは必要な機能を後からパッケージとして追加していくことが多く， 環境管理の考え方がとても重要になります．

この演習では，パッケージ管理ツールとして uv（ユーブイ）uv logo を勧めます． uv は高速で，依存関係管理だけでなく， uv venv による仮想環境の作成， uv python install によるPython本体の導入， uv run によるコマンド実行まで一貫して扱えるのが強みです．

また，Pythonのバージョン違いを扱うときは uv python や pyenv のような ツールがよく使われます． 同じコードでもPythonのバージョンが変わると動作が変わることがあるため， 「どのバージョンで動かしているか」を意識することが大切です．

Pythonの世界では， これまで easy_install，pip，virtualenv，pipenv， poetry，pdm，rye など， さまざまなツールが登場してきました． それぞれが「依存関係管理をもっと楽にしたい」 「仮想環境もまとめて扱いたい」といった課題を解決しようとしてきたためです．

uv はそうした流れの中で出てきた比較的新しいツールで， 複数の役割をひとまとめに扱いやすい点が魅力です． さらに Rust 製のツールであるため高速で， Cargo に親しんでいる人には プロジェクト管理や workspace の考え方が少し似て見えるかもしれません．

■ Pythonパッケージの公開場所

PyPI は Python Package Index の略であり， 世界中の開発者がPythonパッケージを公開している 事実上の標準レジストリです．

uv add numpy のようなコマンドを実行すると， 多くの場合はPyPIからパッケージを取得することになります． Deep Learning周辺では numpy，scipy，matplotlib，pandas， torch など多数のパッケージを組み合わせて使うため， PyPIの存在は非常に重要です．

■ 高速化するPython

Pythonは書きやすさに優れる一方で， 素のままでは遅くなりやすい処理もあります． そこで，JITコンパイルや静的型付け，ネイティブコード生成， GPUカーネル記述などを利用して高速化する試みが盛んです．

■ Numba

Numba（ナンバ） は 数値計算向けのPythonコードを高速化するための JITコンパイラです． @njit のようなデコレータを付けるだけで， NumPy中心の処理が大幅に高速化することがあります．

研究や試作の段階では， まずPythonで正しく動くコードを書き， 必要な部分だけNumbaで高速化するという流れが取りやすいです．

□ Pythonに関係する言語

□ Cython

Cython（サイソン） は Pythonに近い文法で書きつつ， C拡張としてコンパイルできる言語です． 型注釈を増やすことで高速化しやすく， PythonとC/C++の橋渡しとして使われることが多いです．

□ Codon

Codon（コドン） は Python風の文法をネイティブコードへコンパイルする高速系の言語です． Pythonとの互換性をある程度保ちながら， より高い性能を狙う発想として興味深い存在です．

□ Mojo

Mojo（モジョ） は Pythonに近い書き味を持ちながら， システムプログラミング寄りの性能や安全性も狙う言語です． AI向けの高性能計算基盤との相性が期待されており， 今後の発展が注目されています． 最近は GPU programming の仕組みも整えられており， GPUカーネルを書いて動かす方向でも発展が進んでいます．

□ Triton

Triton（トリトン/トライトン） は GPU向けの高性能カーネルをPythonベースで記述するための 言語・コンパイラです． 深層学習フレームワークの内部最適化や， 独自GPUカーネルの記述に関心があるなら知っておく価値があります．

■ Pythonの実行環境

この演習では主に Google Colaboratory（グーグル・コラボラトリー） を用いて ハンズオンを行なっていきます． ただし，本格的な開発では JupyterJupyter logo 上で .ipynb ファイルを編集するよりも， 手元のPCに好きなテキストエディタをインストールして， Python (.py) ファイルを編集する方が適している場面も多いです． そのため，ローカル環境でのモダンなPython開発環境も紹介します．

□ ローカル環境

テキストエディタとしては Visual Studio CodeVS Code logo を勧めます． 拡張機能が豊富で， Pythonの補完，デバッグ，Git連携，Notebook表示などを 一つの画面で扱いやすいからです．

パッケージマネージャとしては uv を勧めます． この授業でも uv sync や uv run を使うことで， 再現しやすいPython環境を構築できます． また，uv python install を使えばPythonの版をそろえやすく， uv venv を使えば仮想環境もすぐに作れます．

手元でColabのような作業をしたければ， JupyterLab を導入するとよいでしょう． Notebookをブラウザで扱いつつ， ローカルの計算資源やファイルを使って作業できます．

■ Google Colaboratory

Google Colaboratory は， Jupyter Notebook（ジュピター・ノートブック） / JupyterLab で使われる .ipynb 拡張子のファイルをブラウザ上で編集できる Webサービスです．

Pythonコードが書けて実行できるだけでなく， Markdown形式のメモも一つのファイルにまとめて書き込めます． 共有もしやすく， Googleが提供するGPUやTPUを比較的手軽に使える点が魅力です．

試しに動かしてみる段階では非常に便利ですが， 長期的な開発や複雑な依存関係の管理では， ローカル環境と併用する方が見通しが良いことも多いです．

■ まとめ

NITIC: Hands-on Deep Learning
Pythonの関数とクラスの復習