Tensor-egenskaber

Tensores har særlige egenskaber, der bestemmer deres struktur samt hvordan de behandler og lagrer data.

Rang: angiver antallet af dimensioner i tensoren. For eksempel har en matrix en rang på 2. Du kan få tensorens rang ved at bruge attributten .ndim:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Bemærk

Definitionen af Python-lister er struktureret over flere linjer for bedre læsbarhed. Hvis den skrives på én linje, fungerer den på samme måde.

Shape: dette beskriver, hvor mange værdier der findes i hver dimension. En 2x3 matrix har formen (2, 3). Længden af shape-parameteren svarer til tensorens rang (dens antal dimensioner). Formen på en tensor kan findes med attributten .shape:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Bemærk

Korrekt håndtering af tensorers former og rang er afgørende i dyb læring. Dimensionelle uoverensstemmelser er almindelige faldgruber, især ved opbygning af komplekse modeller i TensorFlow.

Typer: Tensors findes i forskellige datatyper. Selvom der er mange, er nogle almindelige float32, int32 og string. Vi vil gå mere i dybden med tensor-datatyper i de kommende kapitler. Du kan få datatypen for en tensor via attributten .dtype:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Bemærk

Datatype for en tensor bestemmes af indholdet den indeholder. Det er afgørende, at alle elementer i tensoren er af samme type.

Akser: Akser hjælper med at navigere gennem tensorers dimensioner. Ved at angive en akse kan du udpege et specifikt lag eller en retning i tensoren, hvilket gør det lettere at bearbejde og forstå dataene. Akser svarer direkte til formdimensioner. Hver akse svarer til en specifik formværdi, hvor 0. akse matcher den første formværdi, 1. akse den anden, og så videre.

Opgave

Swipe to start coding

I denne opgave får du to tensores stillet til rådighed. Den første tensor er allerede oprettet for dig; din opgave er at vise dens egenskaber ved hjælp af de relevante tensorattributter. For den anden tensor skal du konstruere den selv med følgende specifikationer:

Rang: 3.
Form: (2, 4, 3).
Datatype: float.

Dine trin er derfor:

Hent egenskaberne for den første tensor.
Konstruér en tensor, der opfylder de angivne kriterier.

Løsning

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 3

single

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Awesome!

Completion rate improved to 5.56

Stryg for at vise menuen

Tensor-egenskaber

Tensores har særlige egenskaber, der bestemmer deres struktur samt hvordan de behandler og lagrer data.

Rang: angiver antallet af dimensioner i tensoren. For eksempel har en matrix en rang på 2. Du kan få tensorens rang ved at bruge attributten .ndim:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Bemærk

Definitionen af Python-lister er struktureret over flere linjer for bedre læsbarhed. Hvis den skrives på én linje, fungerer den på samme måde.

Shape: dette beskriver, hvor mange værdier der findes i hver dimension. En 2x3 matrix har formen (2, 3). Længden af shape-parameteren svarer til tensorens rang (dens antal dimensioner). Formen på en tensor kan findes med attributten .shape:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Bemærk

Korrekt håndtering af tensorers former og rang er afgørende i dyb læring. Dimensionelle uoverensstemmelser er almindelige faldgruber, især ved opbygning af komplekse modeller i TensorFlow.

Typer: Tensors findes i forskellige datatyper. Selvom der er mange, er nogle almindelige float32, int32 og string. Vi vil gå mere i dybden med tensor-datatyper i de kommende kapitler. Du kan få datatypen for en tensor via attributten .dtype:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Bemærk

Datatype for en tensor bestemmes af indholdet den indeholder. Det er afgørende, at alle elementer i tensoren er af samme type.

Akser: Akser hjælper med at navigere gennem tensorers dimensioner. Ved at angive en akse kan du udpege et specifikt lag eller en retning i tensoren, hvilket gør det lettere at bearbejde og forstå dataene. Akser svarer direkte til formdimensioner. Hver akse svarer til en specifik formværdi, hvor 0. akse matcher den første formværdi, 1. akse den anden, og så videre.

Opgave

Swipe to start coding

Rang: 3.
Form: (2, 4, 3).
Datatype: float.

Dine trin er derfor:

Hent egenskaberne for den første tensor.
Konstruér en tensor, der opfylder de angivne kriterier.

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 3

single

Tensorers Egenskaber

Tensor-egenskaber

Løsning

Awesome!

Tensorers Egenskaber

Tensor-egenskaber

Løsning