Reduktionsoperationer

Inden for tensoroperationer opstår der ofte behov for at reducere dimensionerne af data, enten ved at opsummere på én eller flere akser. For eksempel, hvis vi har en 2D-tensor (en matrix), kan en reduktionsoperation beregne en værdi for hver række eller kolonne, hvilket resulterer i en 1D-tensor (en vektor). TensorFlow tilbyder en række operationer til dette formål, og i dette kapitel gennemgår vi de mest anvendte reduktionsoperationer.

Sum, Gennemsnit, Maksimum og Minimum

TensorFlow tilbyder følgende metoder til disse beregninger:

tf.reduce_sum(): beregner summen af alle elementer i tensoren eller langs en specifik akse;
tf.reduce_mean(): beregner gennemsnittet af tensorens elementer;
tf.reduce_max(): bestemmer maksimumsværdien i tensoren;
tf.reduce_min(): finder minimumsværdien i tensoren.


              12345678910111213141516171819
            
import tensorflow as tf

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

# Calculate sum of all elements
total_sum = tf.reduce_sum(tensor)
print("Total Sum:", total_sum.numpy())

# Calculate mean of all elements
mean_val = tf.reduce_mean(tensor)
print("Mean Value:", mean_val.numpy())

# Determine the maximum value
max_val = tf.reduce_max(tensor)
print("Maximum Value:", max_val.numpy())

# Find the minimum value
min_val = tf.reduce_min(tensor)
print("Minimum Value:", min_val.numpy())

Bemærk

Metoden .numpy() blev brugt til at konvertere tensorerne til NumPy-arrays, hvilket giver en tydeligere visuel præsentation af tallene ved visning.

Operationer langs specifikke akser

Tensores kan have flere dimensioner, og nogle gange ønsker vi at udføre reduktioner langs en specifik akse. Parameteren axis gør det muligt at angive, hvilken akse eller hvilke akser vi vil reducere.

axis=0: udfør operationen langs rækkerne (resulterer i en kolonnevektor);
axis=1: udfør operationen langs kolonnerne (resulterer i en rækkevektor);
Det er muligt at reducere langs flere akser samtidigt ved at angive en liste til parameteren axis;
Når tensorens rang reduceres, kan du bruge keepdims=True for at bevare den reducerede dimension som 1.

For en 2D-tensor (matrix):


              1234567891011121314151617181920
            
import tensorflow as tf

tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])

# Calculate the sum of each column 
col_sum = tf.reduce_sum(tensor, axis=0)
print("Column-wise Sum:", col_sum.numpy())

# Calculate the maximum of each row 
col_max = tf.reduce_max(tensor, axis=1)
print("Row-wise Max:", col_max.numpy())

# Calculate the mean of the whole tensor (reduce along both directions)
# Equivalent to not specifying the axis at all
total_mean = tf.reduce_mean(tensor, axis=(0, 1))
print("Total Mean:", total_mean.numpy())

# Calculate the mean of the whole tensor (keeping reduced dimensions)
total_mean_dim = tf.reduce_mean(tensor, axis=(0, 1), keepdims=True)
print("Total Mean (saving dimensions):", total_mean_dim.numpy())

Bemærk

Når du udfører en reduktionsoperation langs en bestemt akse, eliminerer du i det væsentlige denne akse fra tensoren, og aggregerer alle tensorerne inden for denne akse elementvist. Den samme effekt gælder for et vilkårligt antal dimensioner.

Sådan ser det ud for en 3D-tensor:


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]], 
    [[9, 10], [11, 12]]
])

# Calculate the sum along axis 0
sum_0 = tf.reduce_sum(tensor, axis=0)
print("Sum axis 0:\n", sum_0.numpy())

# Calculate the sum along axis 1
sum_1 = tf.reduce_sum(tensor, axis=1)
print("Sum axis 1:\n", sum_1.numpy())

# Calculate the sum along axes 0 and 1
sum_0_1 = tf.reduce_sum(tensor, axis=(0, 1))
print("Sum axes 0 and 1:\n", sum_0_1.numpy())

Bemærk

Mange andre reduktionsoperationer findes i TensorFlow, men de fungerer efter de samme principper.

Opgave

Swipe to start coding

Baggrund

Du er data scientist hos et vejrforskningsinstitut. Du har fået udleveret en tensor, der indeholder vejrmålinger fra forskellige byer over flere dage. Tensoren har følgende struktur:

Dimension 1: repræsenterer forskellige byer;
Dimension 2: repræsenterer forskellige dage.
Hver post i tensoren er et tuple af (temperature, humidity).

Formål

Beregn gennemsnitstemperaturen for hver by over alle dage.
Beregn maksimal luftfugtighed på tværs af alle byer for hver dag.

Bemærk

I denne tensor repræsenterer det første tal i hvert tuple temperaturen (i Celsius), og det andet tal repræsenterer luftfugtigheden (i procent) for den pågældende dag og by.

Løsning

Var alt klart?

Tak for dine kommentarer!

Sektion 2. Kapitel 4

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 what the axis parameter means in more detail?

How do I choose which axis to reduce along for my data?

What happens if I use keepdims=True in these operations?

Awesome!

Completion rate improved to 6.25

Stryg for at vise menuen

Reduktionsoperationer

Sum, Gennemsnit, Maksimum og Minimum

TensorFlow tilbyder følgende metoder til disse beregninger:

tf.reduce_sum(): beregner summen af alle elementer i tensoren eller langs en specifik akse;
tf.reduce_mean(): beregner gennemsnittet af tensorens elementer;
tf.reduce_max(): bestemmer maksimumsværdien i tensoren;
tf.reduce_min(): finder minimumsværdien i tensoren.


              12345678910111213141516171819
            
import tensorflow as tf

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

# Calculate sum of all elements
total_sum = tf.reduce_sum(tensor)
print("Total Sum:", total_sum.numpy())

# Calculate mean of all elements
mean_val = tf.reduce_mean(tensor)
print("Mean Value:", mean_val.numpy())

# Determine the maximum value
max_val = tf.reduce_max(tensor)
print("Maximum Value:", max_val.numpy())

# Find the minimum value
min_val = tf.reduce_min(tensor)
print("Minimum Value:", min_val.numpy())

Bemærk

Metoden .numpy() blev brugt til at konvertere tensorerne til NumPy-arrays, hvilket giver en tydeligere visuel præsentation af tallene ved visning.

Operationer langs specifikke akser

axis=0: udfør operationen langs rækkerne (resulterer i en kolonnevektor);
axis=1: udfør operationen langs kolonnerne (resulterer i en rækkevektor);
Det er muligt at reducere langs flere akser samtidigt ved at angive en liste til parameteren axis;
Når tensorens rang reduceres, kan du bruge keepdims=True for at bevare den reducerede dimension som 1.

For en 2D-tensor (matrix):


              1234567891011121314151617181920
            
import tensorflow as tf

tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])

# Calculate the sum of each column 
col_sum = tf.reduce_sum(tensor, axis=0)
print("Column-wise Sum:", col_sum.numpy())

# Calculate the maximum of each row 
col_max = tf.reduce_max(tensor, axis=1)
print("Row-wise Max:", col_max.numpy())

# Calculate the mean of the whole tensor (reduce along both directions)
# Equivalent to not specifying the axis at all
total_mean = tf.reduce_mean(tensor, axis=(0, 1))
print("Total Mean:", total_mean.numpy())

# Calculate the mean of the whole tensor (keeping reduced dimensions)
total_mean_dim = tf.reduce_mean(tensor, axis=(0, 1), keepdims=True)
print("Total Mean (saving dimensions):", total_mean_dim.numpy())

Bemærk

Sådan ser det ud for en 3D-tensor:


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]], 
    [[9, 10], [11, 12]]
])

# Calculate the sum along axis 0
sum_0 = tf.reduce_sum(tensor, axis=0)
print("Sum axis 0:\n", sum_0.numpy())

# Calculate the sum along axis 1
sum_1 = tf.reduce_sum(tensor, axis=1)
print("Sum axis 1:\n", sum_1.numpy())

# Calculate the sum along axes 0 and 1
sum_0_1 = tf.reduce_sum(tensor, axis=(0, 1))
print("Sum axes 0 and 1:\n", sum_0_1.numpy())

Bemærk

Mange andre reduktionsoperationer findes i TensorFlow, men de fungerer efter de samme principper.

Opgave

Swipe to start coding

Baggrund

Du er data scientist hos et vejrforskningsinstitut. Du har fået udleveret en tensor, der indeholder vejrmålinger fra forskellige byer over flere dage. Tensoren har følgende struktur:

Dimension 1: repræsenterer forskellige byer;
Dimension 2: repræsenterer forskellige dage.
Hver post i tensoren er et tuple af (temperature, humidity).

Formål

Beregn gennemsnitstemperaturen for hver by over alle dage.
Beregn maksimal luftfugtighed på tværs af alle byer for hver dag.

Bemærk

I denne tensor repræsenterer det første tal i hvert tuple temperaturen (i Celsius), og det andet tal repræsenterer luftfugtigheden (i procent) for den pågældende dag og by.

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 2. Kapitel 4

single