Tensor-Eigenschaften
Tensor-Eigenschaften
Tensors verfügen über spezifische Eigenschaften, die ihre Struktur sowie die Verarbeitung und Speicherung von Daten bestimmen.
- 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
.ndimabgerufen werden:
1234567891011121314151617import 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}')
Die Definition von Python-Listen ist über mehrere Zeilen strukturiert, um bessere Lesbarkeit zu gewährleisten. Wird sie in eine einzige Zeile geschrieben, funktioniert sie auf die gleiche Weise.
- Shape: beschreibt, wie viele Werte in jeder Dimension vorhanden sind. Eine 2x3-Matrix hat die Form
(2, 3). Die Länge des Shape-Parameters entspricht dem Rang des Tensors (seiner Anzahl an Dimensionen). Die Form des Tensors kann über das Attribut.shapeabgerufen werden:
123456789101112131415161718import 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}')
Das korrekte Erfassen 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. Es gibt viele, aber einige gängige sind
float32,int32undstring. Wir werden die Datentypen von Tensoren in den kommenden Kapiteln genauer betrachten. Den Datentyp eines Tensors erhält man über das Attribut.dtype:
1234567891011import 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}')
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 ermöglichen 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.
Swipe to start coding
In dieser Aufgabe stehen dir zwei Tensoren zur Verfügung. Der erste Tensor wurde bereits für dich erstellt; deine Aufgabe besteht darin, seine Eigenschaften mithilfe der entsprechenden Tensor-Attribute anzuzeigen. Den zweiten Tensor musst du selbst erstellen 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 konstruieren, der den angegebenen Kriterien entspricht.
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 5.56Tensor-Eigenschaften
Swipe um das Menü anzuzeigen
Tensor-Eigenschaften
Tensors verfügen über spezifische Eigenschaften, die ihre Struktur sowie die Verarbeitung und Speicherung von Daten bestimmen.
- 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
.ndimabgerufen werden:
1234567891011121314151617import 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}')
Die Definition von Python-Listen ist über mehrere Zeilen strukturiert, um bessere Lesbarkeit zu gewährleisten. Wird sie in eine einzige Zeile geschrieben, funktioniert sie auf die gleiche Weise.
- Shape: beschreibt, wie viele Werte in jeder Dimension vorhanden sind. Eine 2x3-Matrix hat die Form
(2, 3). Die Länge des Shape-Parameters entspricht dem Rang des Tensors (seiner Anzahl an Dimensionen). Die Form des Tensors kann über das Attribut.shapeabgerufen werden:
123456789101112131415161718import 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}')
Das korrekte Erfassen 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. Es gibt viele, aber einige gängige sind
float32,int32undstring. Wir werden die Datentypen von Tensoren in den kommenden Kapiteln genauer betrachten. Den Datentyp eines Tensors erhält man über das Attribut.dtype:
1234567891011import 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}')
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 ermöglichen 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.
Swipe to start coding
In dieser Aufgabe stehen dir zwei Tensoren zur Verfügung. Der erste Tensor wurde bereits für dich erstellt; deine Aufgabe besteht darin, seine Eigenschaften mithilfe der entsprechenden Tensor-Attribute anzuzeigen. Den zweiten Tensor musst du selbst erstellen 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 konstruieren, 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 verwendenDanke für Ihr Feedback!
single
