Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Introduktion til Tensorer | Tensorer
Introduktion til Tensorflow

bookIntroduktion til Tensorer

Introduktion til Tensors

Dette afsnit giver en dybdegående gennemgang af Tensors, de grundlæggende komponenter i TensorFlow. Tensors er centrale for maskin- og dybdelæringsarbejdsgange. Dette kapitel vil undersøge deres betydning og anvendelser.

Hvad er Tensors?

Tensors kan betragtes som multidimensionelle arrays. Forestil dig dem som databeholdere, der indeholder værdier i et struktureret, N-dimensionelt format. Du kan tænke på dem som byggesten: hver for sig kan de virke enkle, men sammen kan de danne komplekse strukturer.

Typer af Tensors

Du har faktisk allerede mødt tensors før, især hvis du har arbejdet med NumPy og Pandas bibliotekerne:

  • Skalærer: blot et enkelt tal. Dette er en 0-dimensionel tensor. Eksempel: 5;
  • Vektorer: et array af tal. Dette er en 1-dimensionel tensor. Eksempel: [1, 2, 3];
  • Matriser: en 2-dimensionel tensor. Tænk på det som et gitter af tal. Eksempel:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D Tensors: hvis du stabler matriser, får du 3D tensors;
Note
Bemærk

Den viste 3D-tensor i animationen ovenfor kan repræsenteres som:

[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
 [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
 [[5, 6, 3], [5, 3, 5], [8, 8, 2]]]

Hver linje svarer til en individuel matrix (2D-tensor).

  • Højere dimensioner: og du kan fortsætte med at stable for endnu højere dimensioner.

Overgangen fra lavere-dimensionale til højere-dimensionale tensorer kan virke som et spring, men det er en naturlig udvikling, når der arbejdes med datastrukturer. Jo dybere du går ind i neurale netværksarkitekturer, især convolutional neural networks (CNNs) eller recurrent neural networks (RNNs), desto oftere vil du støde på disse. Kompleksiteten øges, men husk, at de i bund og grund blot er databeholdere.

Betydning i dyb læring

Fokus på tensorer i dyb læring skyldes deres ensartethed og effektivitet. De giver en ensartet struktur, hvilket muliggør matematiske operationer, der udføres problemfrit, især på GPU'er. Ved håndtering af forskellige dataformer i neurale netværk, såsom billeder eller lyd, forenkler tensorer datarepræsentationen og sikrer, at form, hierarki og rækkefølge opretholdes.

Grundlæggende tensoroprettelse

Der findes adskillige måder at oprette en tensor på i TensorFlow, lige fra generering af tilfældige eller strukturerede data til import af data fra et foruddefineret datasæt eller endda en fil. For nu fokuseres der dog på den mest enkle metode – at oprette en tensor fra en Python-liste.

123456789101112
import tensorflow as tf # Create a 1D tensor tensor_1D = tf.constant([1, 2, 3]) # Create a 2D tensor tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]]) # Display tensor info print(tensor_1D) print('-' * 50) print(tensor_2D)
copy
Opgave

Swipe to start coding

Du skal konstruere tensorer med dimensionerne 1, 2 og 3. Du kan udfylde dem med vilkårlige værdier, men sørg for at opretholde det angivne antal dimensioner. Se eksemplet tidligere, og hvis du er i tvivl, kan du konsultere tippet.

Bemærk

Alle underlister i en tensor skal have samme længde. For eksempel, hvis en undertensor i en 2D-tensor har længden 3, skal alle andre undertensorer også have denne længde. Mens [[1, 2], [1, 2]] er en gyldig tensor, er [[1, 2], [1, 2, 3]] ikke.

Løsning

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 2
single

single

Spørg AI

expand

Spørg AI

ChatGPT

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

Suggested prompts:

What are some real-world examples where higher-dimensional tensors are used?

Can you explain the difference between tensors and regular arrays?

How do tensors help improve performance in deep learning?

close

Awesome!

Completion rate improved to 5.56

bookIntroduktion til Tensorer

Stryg for at vise menuen

Introduktion til Tensors

Dette afsnit giver en dybdegående gennemgang af Tensors, de grundlæggende komponenter i TensorFlow. Tensors er centrale for maskin- og dybdelæringsarbejdsgange. Dette kapitel vil undersøge deres betydning og anvendelser.

Hvad er Tensors?

Tensors kan betragtes som multidimensionelle arrays. Forestil dig dem som databeholdere, der indeholder værdier i et struktureret, N-dimensionelt format. Du kan tænke på dem som byggesten: hver for sig kan de virke enkle, men sammen kan de danne komplekse strukturer.

Typer af Tensors

Du har faktisk allerede mødt tensors før, især hvis du har arbejdet med NumPy og Pandas bibliotekerne:

  • Skalærer: blot et enkelt tal. Dette er en 0-dimensionel tensor. Eksempel: 5;
  • Vektorer: et array af tal. Dette er en 1-dimensionel tensor. Eksempel: [1, 2, 3];
  • Matriser: en 2-dimensionel tensor. Tænk på det som et gitter af tal. Eksempel:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D Tensors: hvis du stabler matriser, får du 3D tensors;
Note
Bemærk

Den viste 3D-tensor i animationen ovenfor kan repræsenteres som:

[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
 [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
 [[5, 6, 3], [5, 3, 5], [8, 8, 2]]]

Hver linje svarer til en individuel matrix (2D-tensor).

  • Højere dimensioner: og du kan fortsætte med at stable for endnu højere dimensioner.

Overgangen fra lavere-dimensionale til højere-dimensionale tensorer kan virke som et spring, men det er en naturlig udvikling, når der arbejdes med datastrukturer. Jo dybere du går ind i neurale netværksarkitekturer, især convolutional neural networks (CNNs) eller recurrent neural networks (RNNs), desto oftere vil du støde på disse. Kompleksiteten øges, men husk, at de i bund og grund blot er databeholdere.

Betydning i dyb læring

Fokus på tensorer i dyb læring skyldes deres ensartethed og effektivitet. De giver en ensartet struktur, hvilket muliggør matematiske operationer, der udføres problemfrit, især på GPU'er. Ved håndtering af forskellige dataformer i neurale netværk, såsom billeder eller lyd, forenkler tensorer datarepræsentationen og sikrer, at form, hierarki og rækkefølge opretholdes.

Grundlæggende tensoroprettelse

Der findes adskillige måder at oprette en tensor på i TensorFlow, lige fra generering af tilfældige eller strukturerede data til import af data fra et foruddefineret datasæt eller endda en fil. For nu fokuseres der dog på den mest enkle metode – at oprette en tensor fra en Python-liste.

123456789101112
import tensorflow as tf # Create a 1D tensor tensor_1D = tf.constant([1, 2, 3]) # Create a 2D tensor tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]]) # Display tensor info print(tensor_1D) print('-' * 50) print(tensor_2D)
copy
Opgave

Swipe to start coding

Du skal konstruere tensorer med dimensionerne 1, 2 og 3. Du kan udfylde dem med vilkårlige værdier, men sørg for at opretholde det angivne antal dimensioner. Se eksemplet tidligere, og hvis du er i tvivl, kan du konsultere tippet.

Bemærk

Alle underlister i en tensor skal have samme længde. For eksempel, hvis en undertensor i en 2D-tensor har længden 3, skal alle andre undertensorer også have denne længde. Mens [[1, 2], [1, 2]] er en gyldig tensor, er [[1, 2], [1, 2, 3]] ikke.

Løsning

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 2
single

single

some-alt