Einführung in Tensoren
Was ist ein Tensor?
Bereits bekannte Spezialfälle von Tensors:
- Skalar (0D-Tensor): eine einzelne Zahl, wie
5oder3.14; - Vektor (1D-Tensor): eine Zahlenliste, zum Beispiel
[1, 2, 3]; - Matrix (2D-Tensor): ein zweidimensionales Zahlenraster, ähnlich einer Tabelle mit Zeilen und Spalten.
Höherdimensionale Tensoren (3D, 4D usw.) erweitern das Konzept der Matrizen auf zusätzliche Dimensionen. Ein 3D-Tensor kann beispielsweise ein Bild mit Höhe, Breite und Farbkanälen darstellen.
Auch wenn die Terminologie zunächst komplex erscheinen mag, ist das zentrale Konzept, dass Tensoren einfach Behälter für numerische Daten sind, ähnlich wie NumPy-Arrays.
Tensoren in PyTorch vs. NumPy-Arrays
PyTorch-Tensoren verhalten sich in vielerlei Hinsicht ähnlich wie NumPy-Arrays. Zudem funktionieren Indexierung und Slicing bei Tensoren genauso wie bei NumPy-Arrays, daher werden diese Themen in diesem Kurs nicht behandelt.
PyTorch-Tensoren bieten jedoch zusätzliche Vorteile, wie zum Beispiel:
- Native Unterstützung für GPU-Beschleunigung;
- Integration mit den Deep-Learning-Modulen von PyTorch;
- Kompatibilität mit autograd, dem automatischen Differenzierungswerkzeug von PyTorch für das Backpropagation.
Erstellen von Tensoren
PyTorch bietet verschiedene Möglichkeiten, Tensoren zu erstellen. Eine der grundlegendsten Methoden ist das Erstellen eines Tensors aus einer Liste oder einem NumPy-Array. Die empfohlene Vorgehensweise hierfür ist, die Daten an die Funktion torch.tensor() zu übergeben:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Direktes Erstellen eines 3D-Tensors aus einer 3D-Liste ohne die Liste in einer separaten Variablen zu speichern. Der Tensor kann beliebige Dimensionen und beliebige Elemente enthalten.
Lösung
Danke für Ihr Feedback!
single
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 5Einführung in Tensoren
Swipe um das Menü anzuzeigen
Was ist ein Tensor?
Bereits bekannte Spezialfälle von Tensors:
- Skalar (0D-Tensor): eine einzelne Zahl, wie
5oder3.14; - Vektor (1D-Tensor): eine Zahlenliste, zum Beispiel
[1, 2, 3]; - Matrix (2D-Tensor): ein zweidimensionales Zahlenraster, ähnlich einer Tabelle mit Zeilen und Spalten.
Höherdimensionale Tensoren (3D, 4D usw.) erweitern das Konzept der Matrizen auf zusätzliche Dimensionen. Ein 3D-Tensor kann beispielsweise ein Bild mit Höhe, Breite und Farbkanälen darstellen.
Auch wenn die Terminologie zunächst komplex erscheinen mag, ist das zentrale Konzept, dass Tensoren einfach Behälter für numerische Daten sind, ähnlich wie NumPy-Arrays.
Tensoren in PyTorch vs. NumPy-Arrays
PyTorch-Tensoren verhalten sich in vielerlei Hinsicht ähnlich wie NumPy-Arrays. Zudem funktionieren Indexierung und Slicing bei Tensoren genauso wie bei NumPy-Arrays, daher werden diese Themen in diesem Kurs nicht behandelt.
PyTorch-Tensoren bieten jedoch zusätzliche Vorteile, wie zum Beispiel:
- Native Unterstützung für GPU-Beschleunigung;
- Integration mit den Deep-Learning-Modulen von PyTorch;
- Kompatibilität mit autograd, dem automatischen Differenzierungswerkzeug von PyTorch für das Backpropagation.
Erstellen von Tensoren
PyTorch bietet verschiedene Möglichkeiten, Tensoren zu erstellen. Eine der grundlegendsten Methoden ist das Erstellen eines Tensors aus einer Liste oder einem NumPy-Array. Die empfohlene Vorgehensweise hierfür ist, die Daten an die Funktion torch.tensor() zu übergeben:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Direktes Erstellen eines 3D-Tensors aus einer 3D-Liste ohne die Liste in einer separaten Variablen zu speichern. Der Tensor kann beliebige Dimensionen und beliebige Elemente enthalten.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
single
