Tensor-Eigenschaften

Tensors verfügen über spezifische Eigenschaften, die ihre Struktur sowie die Art und Weise bestimmen, wie sie Daten verarbeiten und speichern.

Rang: Gibt die Anzahl der Dimensionen eines Tensors an. Beispielsweise besitzt eine Matrix einen Rang von 2. Der Rang eines Tensors kann mit dem Attribut .ndim abgerufen werden:


              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}')

Hinweis

Die Definition von Python-Listen ist über mehrere Zeilen strukturiert, um bessere Lesbarkeit zu gewährleisten. Wird sie in eine einzige Zeile zusammengefasst, funktioniert sie auf die gleiche Weise.

Shape: Beschreibt, wie viele Werte in jeder Dimension vorhanden sind. Eine 2x3-Matrix hat die Shape (2, 3). Die Länge des Shape-Parameters entspricht dem Rang des Tensors (seiner Anzahl an Dimensionen). Die Shape eines Tensors kann über das Attribut .shape abgerufen werden:


              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}')

Hinweis

Das korrekte Festlegen von Tensor-Formen und -Rängen ist entscheidend im Deep Learning. Dimensionsfehler sind häufige Stolpersteine, insbesondere beim Aufbau komplexer Modelle in TensorFlow.

Typen: Tensoren existieren in verschiedenen Datentypen. Zu den gängigen gehören float32, int32 und string. Eine detaillierte Betrachtung der Tensor-Datentypen erfolgt in den kommenden Kapiteln. Der Datentyp eines Tensors kann über das Attribut .dtype abgerufen werden:


              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}')

Hinweis

Der Datentyp eines Tensors wird durch den enthaltenen Inhalt bestimmt. Es ist zwingend erforderlich, dass alle Elemente innerhalb des Tensors vom gleichen Typ sind.

Achsen: Achsen unterstützen die Navigation durch die Dimensionen von Tensors. Durch die Angabe einer Achse kann eine bestimmte Ebene oder Richtung im Tensor präzise bestimmt werden, was die Verarbeitung und das Verständnis der Daten erleichtert. Achsen entsprechen direkt den Form-Dimensionen. Jede Achse entspricht einem bestimmten Formwert, wobei die 0. Achse mit dem ersten Formwert, die 1. Achse mit dem zweiten und so weiter übereinstimmt.

Aufgabe

Swipe to start coding

In dieser Aufgabe stehen dir zwei Tensoren zur Verfügung. Der erste Tensor ist bereits für dich erstellt; deine Aufgabe besteht darin, seine Eigenschaften mithilfe der entsprechenden Tensor-Attribute anzuzeigen. Den zweiten Tensor musst du selbst konstruieren und dabei folgende Vorgaben beachten:

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

Deine Schritte sind also:

Die Eigenschaften des ersten Tensors abrufen.
Einen Tensor erstellen, der den angegebenen Kriterien entspricht.

Lösung

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 3

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 6.25

Swipe um das Menü anzuzeigen

Tensor-Eigenschaften

Tensors verfügen über spezifische Eigenschaften, die ihre Struktur sowie die Art und Weise bestimmen, wie sie Daten verarbeiten und speichern.

Rang: Gibt die Anzahl der Dimensionen eines Tensors an. Beispielsweise besitzt eine Matrix einen Rang von 2. Der Rang eines Tensors kann mit dem Attribut .ndim abgerufen werden:


              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}')

Hinweis

Shape: Beschreibt, wie viele Werte in jeder Dimension vorhanden sind. Eine 2x3-Matrix hat die Shape (2, 3). Die Länge des Shape-Parameters entspricht dem Rang des Tensors (seiner Anzahl an Dimensionen). Die Shape eines Tensors kann über das Attribut .shape abgerufen werden:


              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}')

Hinweis

Das korrekte Festlegen von Tensor-Formen und -Rängen ist entscheidend im Deep Learning. Dimensionsfehler sind häufige Stolpersteine, insbesondere beim Aufbau komplexer Modelle in TensorFlow.

Typen: Tensoren existieren in verschiedenen Datentypen. Zu den gängigen gehören float32, int32 und string. Eine detaillierte Betrachtung der Tensor-Datentypen erfolgt in den kommenden Kapiteln. Der Datentyp eines Tensors kann über das Attribut .dtype abgerufen werden:


              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}')

Hinweis

Der Datentyp eines Tensors wird durch den enthaltenen Inhalt bestimmt. Es ist zwingend erforderlich, dass alle Elemente innerhalb des Tensors vom gleichen Typ sind.

Achsen: Achsen unterstützen die Navigation durch die Dimensionen von Tensors. Durch die Angabe einer Achse kann eine bestimmte Ebene oder Richtung im Tensor präzise bestimmt werden, was die Verarbeitung und das Verständnis der Daten erleichtert. Achsen entsprechen direkt den Form-Dimensionen. Jede Achse entspricht einem bestimmten Formwert, wobei die 0. Achse mit dem ersten Formwert, die 1. Achse mit dem zweiten und so weiter übereinstimmt.

Aufgabe

Swipe to start coding

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

Deine Schritte sind also:

Die Eigenschaften des ersten Tensors abrufen.
Einen Tensor erstellen, der den angegebenen Kriterien entspricht.

Lösung

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 3

single