Tensortransformationer

Denne lektion går i dybden med avancerede operationer inden for transformation af tensores.

Tensortransformationer er afgørende ved håndtering af data. Når man arbejder videre med deep learning og datavidenskab, bliver det tydeligt, at de data, man møder, ikke altid har det ønskede format. Denne lektion introducerer metoder i TensorFlow, der muliggør manipulation af struktur og indhold i tensores for at opfylde specifikke krav.

Omformning af tensores

Ved arbejde med tensores opstår der situationer, hvor det er nødvendigt at ændre formen uden at ændre de underliggende data. tf.reshape() er nyttig i sådanne tilfælde.

Sådan fungerer det:

Omformning ændrer tensorens struktur, men ikke dens data. Det samlede antal elementer før og efter omformningen skal forblive det samme;
Funktionen "udfylder" den nye form rækkevis (fra venstre mod højre, oppefra og ned).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Bemærk

Når du angiver den nye form, kan én dimension være -1. TensorFlow beregner størrelsen af denne dimension, så den samlede størrelse forbliver konstant.

Dette er særligt nyttigt, når du vil give tensore som input til et neuralt netværk, men dimensionerne ikke matcher netværkets inputform.

Udskæring

Udskæring hjælper dig med at hente en del af en tensor. Det svarer til Python's list slicing, men udvidet til multi-dimensionelle tensore.

Sådan fungerer det:

tf.slice() udtrækker et udsnit fra en tensor. Den kræver startindekset for udsnittet og størrelsen af udsnittet;
Hvis størrelsen er -1, angiver det alle elementer i den dimension.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Bemærk

Husk altid nul-baseret indeksering i TensorFlow, hvilket svarer til Pythons egen indeksering. Nyttigt til at udtrække specifikke egenskaber eller datapunkter fra et større datasæt.

Ændring af data

Der findes en anden måde at slice på, som også gør det muligt at ændre de oprindelige data, ligesom ved slicing af arrays i NumPy.

Sådan fungerer det:

Ved at bruge [] kan du nemt slice og indeksere tensores, på samme måde som NumPy slicing. Denne metode gør det muligt at vælge specifikke rækker, kolonner eller elementer i en tensor;
Med tf.Variable() bliver tensoren muterbar, hvilket tillader direkte ændringer ved hjælp af slicing;
For at ændre værdierne i den valgte subtensor, anvend .assign()-metoden med en tensor eller liste, der matcher dens form.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Bemærk

Skæresyntaksen i TensorFlow er i høj grad inspireret af NumPy, så hvis du er bekendt med NumPy, er overgangen til TensorFlows skæremekanisme ligetil;
Sørg altid for at bruge tf.Variable() til operationer, der kræver tensor-mutabilitet.

Sammenkædning

Sammenkædning muliggør sammenføjning af flere tensores langs en specificeret akse.

Sådan fungerer det:

tf.concat() kombinerer tensores. Metoden kræver en liste af tensores, du ønsker at sammenkæde, samt aksen, hvor operationen skal udføres;
Aksen er nul-baseret. En akse på 0 refererer til rækker (vertikalt), og en akse på 1 refererer til kolonner (horisontalt).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Bemærk

Sørg for, at de tensorer, du sammenføjer, har matchende dimensioner på de ikke-sammenkædede akser;
Denne operation ligner numpy.concatenate(), men er tilpasset TensorFlow-tensorer.

Opgave

Swipe to start coding

Baggrund

Du arbejder med et datasæt bestående af målinger fra forskellige sensorer placeret på forskellige geografiske lokationer. Disse sensorer registrerer vejrrelaterede data såsom temperatur, tryk og normaliserede geografiske koordinater.

Dog har du under sammenstillingen af målingerne opdaget, at nogle af dataene er blevet registreret forkert.

Du har også modtaget nye målinger fra andre sensorer, som skal inkluderes.

Datasætinformation

main_dataset: En tensor med formen (6, 4), der repræsenterer 6 målinger. Hver række er en prøve, og kolonnerne repræsenterer følgende egenskaber:
- Temperature (in Celsius);
- Pressure (in hPa);
- Normalized latitude coordinate;
- Normalized longitude coordinate.
error_correction_data: En tensor med formen (2, 4), der repræsenterer 2 korrigerede målinger for fejlagtige data i hoveddatasættet.
additional_data: En tensor med formen (3, 4), der repræsenterer 3 nye målinger.

Formål

Forbered et korrigeret og komplet datasæt til vejrudsigtsformål:

Datakorrigering:
- Du har fundet ud af, at målingerne på 2. og 5. række i main_dataset var unøjagtige. Erstat disse rækker i main_dataset med rækkerne fra error_correction_data.
Inkludér yderligere data:
- Sammenkæd main_dataset med additional_data for at inkludere de nye målinger.
Batch-omformning:
- Med henblik på batch-træning ønsker du at opdele datasættet i batches med 3 målinger per batch. Omform complete_dataset, hvor den første dimension repræsenterer batch-størrelsen, og den anden dimension repræsenterer antallet af målinger per batch.

Løsning

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 11

single

Spørg AI

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

Suggested prompts:

Can you explain more about how tf.reshape() works?

What happens if I try to reshape a tensor to an incompatible shape?

Can you give more examples of slicing and modifying tensors?

Awesome!

Completion rate improved to 5.56

Stryg for at vise menuen

Tensortransformationer

Denne lektion går i dybden med avancerede operationer inden for transformation af tensores.

Omformning af tensores

Ved arbejde med tensores opstår der situationer, hvor det er nødvendigt at ændre formen uden at ændre de underliggende data. tf.reshape() er nyttig i sådanne tilfælde.

Sådan fungerer det:

Omformning ændrer tensorens struktur, men ikke dens data. Det samlede antal elementer før og efter omformningen skal forblive det samme;
Funktionen "udfylder" den nye form rækkevis (fra venstre mod højre, oppefra og ned).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Bemærk

Når du angiver den nye form, kan én dimension være -1. TensorFlow beregner størrelsen af denne dimension, så den samlede størrelse forbliver konstant.

Dette er særligt nyttigt, når du vil give tensore som input til et neuralt netværk, men dimensionerne ikke matcher netværkets inputform.

Udskæring

Udskæring hjælper dig med at hente en del af en tensor. Det svarer til Python's list slicing, men udvidet til multi-dimensionelle tensore.

Sådan fungerer det:

tf.slice() udtrækker et udsnit fra en tensor. Den kræver startindekset for udsnittet og størrelsen af udsnittet;
Hvis størrelsen er -1, angiver det alle elementer i den dimension.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Bemærk

Husk altid nul-baseret indeksering i TensorFlow, hvilket svarer til Pythons egen indeksering. Nyttigt til at udtrække specifikke egenskaber eller datapunkter fra et større datasæt.

Ændring af data

Der findes en anden måde at slice på, som også gør det muligt at ændre de oprindelige data, ligesom ved slicing af arrays i NumPy.

Sådan fungerer det:

Ved at bruge [] kan du nemt slice og indeksere tensores, på samme måde som NumPy slicing. Denne metode gør det muligt at vælge specifikke rækker, kolonner eller elementer i en tensor;
Med tf.Variable() bliver tensoren muterbar, hvilket tillader direkte ændringer ved hjælp af slicing;
For at ændre værdierne i den valgte subtensor, anvend .assign()-metoden med en tensor eller liste, der matcher dens form.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Bemærk

Skæresyntaksen i TensorFlow er i høj grad inspireret af NumPy, så hvis du er bekendt med NumPy, er overgangen til TensorFlows skæremekanisme ligetil;
Sørg altid for at bruge tf.Variable() til operationer, der kræver tensor-mutabilitet.

Sammenkædning

Sammenkædning muliggør sammenføjning af flere tensores langs en specificeret akse.

Sådan fungerer det:

tf.concat() kombinerer tensores. Metoden kræver en liste af tensores, du ønsker at sammenkæde, samt aksen, hvor operationen skal udføres;
Aksen er nul-baseret. En akse på 0 refererer til rækker (vertikalt), og en akse på 1 refererer til kolonner (horisontalt).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Bemærk

Sørg for, at de tensorer, du sammenføjer, har matchende dimensioner på de ikke-sammenkædede akser;
Denne operation ligner numpy.concatenate(), men er tilpasset TensorFlow-tensorer.

Opgave

Swipe to start coding

Baggrund

Dog har du under sammenstillingen af målingerne opdaget, at nogle af dataene er blevet registreret forkert.

Du har også modtaget nye målinger fra andre sensorer, som skal inkluderes.

Datasætinformation

main_dataset: En tensor med formen (6, 4), der repræsenterer 6 målinger. Hver række er en prøve, og kolonnerne repræsenterer følgende egenskaber:
- Temperature (in Celsius);
- Pressure (in hPa);
- Normalized latitude coordinate;
- Normalized longitude coordinate.
error_correction_data: En tensor med formen (2, 4), der repræsenterer 2 korrigerede målinger for fejlagtige data i hoveddatasættet.
additional_data: En tensor med formen (3, 4), der repræsenterer 3 nye målinger.

Formål

Forbered et korrigeret og komplet datasæt til vejrudsigtsformål:

Datakorrigering:
- Du har fundet ud af, at målingerne på 2. og 5. række i main_dataset var unøjagtige. Erstat disse rækker i main_dataset med rækkerne fra error_correction_data.
Inkludér yderligere data:
- Sammenkæd main_dataset med additional_data for at inkludere de nye målinger.
Batch-omformning:
- Med henblik på batch-træning ønsker du at opdele datasættet i batches med 3 målinger per batch. Omform complete_dataset, hvor den første dimension repræsenterer batch-størrelsen, og den anden dimension repræsenterer antallet af målinger per batch.

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 11

single

Transformationer

Tensortransformationer

Omformning af tensores

Udskæring

Ændring af data

Sammenkædning

Baggrund

Datasætinformation

Formål

Løsning

Awesome!

Transformationer

Tensortransformationer

Omformning af tensores

Udskæring

Ændring af data

Sammenkædning

Baggrund

Datasætinformation

Formål

Løsning