Tensor-Eigenschaften

Tensors haben bestimmte Eigenschaften, die ihre Struktur bestimmen und wie sie Daten verarbeiten und speichern.

Rang: Es gibt die Anzahl der Dimensionen im Tensor an. Zum Beispiel hat eine Matrix einen Rang von 2. Sie können den Rang des Tensors mit dem Attribut .ndim erhalten:


              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

Wir haben die Definition von Python-Listen über mehrere Zeilen strukturiert, um bessere Lesbarkeit zu gewährleisten. Sie können es in eine einzelne Zeile zusammenfassen, um zu sehen, dass es auf die gleiche Weise funktioniert.

Form: Dies beschreibt, wie viele Werte in jeder Dimension existieren. Eine 2x3-Matrix hat die Form (2, 3). Die Länge des Formparameters entspricht dem Rang des Tensors (seine Anzahl der Dimensionen). Sie können die Form des Tensors mit dem Attribut .shape erhalten:


              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 Erfassen von Tensorformen und -rängen ist entscheidend im Deep Learning. Dimensionsfehler sind häufige Fallstricke, insbesondere beim Erstellen komplexer Modelle in TensorFlow.

Typen: Tensoren gibt es in verschiedenen Datentypen. Während es viele gibt, sind einige gängige float32, int32 und string. Wir werden in den kommenden Kapiteln tiefer in Tensor-Datentypen eintauchen. Sie können den Datentyp des Tensors mit dem Attribut .dtype abrufen:


              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 Inhalt bestimmt, den er enthält. Es ist wichtig, dass alle Elemente innerhalb des Tensors vom gleichen Typ sind.

Achsen: Achsen helfen uns, durch die Dimensionen von Tensors zu navigieren. Durch die Angabe einer Achse können Sie eine bestimmte Ebene oder Richtung im Tensor bestimmen, was die Verarbeitung und das Verständnis der Daten erleichtert. Achsen entsprechen direkt den Formdimensionen. Jede Achse entspricht einem bestimmten Formwert, wobei die 0. Achse mit dem ersten Formwert übereinstimmt, die 1. Achse mit dem zweiten und so weiter.

Aufgabe

Swipe to start coding

In dieser Aufgabe erhalten Sie zwei Tensors. Der erste Tensor ist bereits für Sie erstellt; Ihre Aufgabe besteht darin, seine Eigenschaften mithilfe der relevanten Tensorattribute anzuzeigen. Für den zweiten Tensor müssen Sie ihn selbst mit den folgenden Spezifikationen konstruieren:

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

Ihre Schritte sind also:

Rufen Sie die Eigenschaften des ersten Tensors ab.
Konstruieren Sie einen Tensor, der die angegebenen Kriterien erfüllt.

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

Tensor-Eigenschaften

Tensors haben bestimmte Eigenschaften, die ihre Struktur bestimmen und wie sie Daten verarbeiten und speichern.

Rang: Es gibt die Anzahl der Dimensionen im Tensor an. Zum Beispiel hat eine Matrix einen Rang von 2. Sie können den Rang des Tensors mit dem Attribut .ndim erhalten:


              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

Wir haben die Definition von Python-Listen über mehrere Zeilen strukturiert, um bessere Lesbarkeit zu gewährleisten. Sie können es in eine einzelne Zeile zusammenfassen, um zu sehen, dass es auf die gleiche Weise funktioniert.

Form: Dies beschreibt, wie viele Werte in jeder Dimension existieren. Eine 2x3-Matrix hat die Form (2, 3). Die Länge des Formparameters entspricht dem Rang des Tensors (seine Anzahl der Dimensionen). Sie können die Form des Tensors mit dem Attribut .shape erhalten:


              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 Erfassen von Tensorformen und -rängen ist entscheidend im Deep Learning. Dimensionsfehler sind häufige Fallstricke, insbesondere beim Erstellen komplexer Modelle in TensorFlow.

Typen: Tensoren gibt es in verschiedenen Datentypen. Während es viele gibt, sind einige gängige float32, int32 und string. Wir werden in den kommenden Kapiteln tiefer in Tensor-Datentypen eintauchen. Sie können den Datentyp des Tensors mit dem Attribut .dtype abrufen:


              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 Inhalt bestimmt, den er enthält. Es ist wichtig, dass alle Elemente innerhalb des Tensors vom gleichen Typ sind.

Achsen: Achsen helfen uns, durch die Dimensionen von Tensors zu navigieren. Durch die Angabe einer Achse können Sie eine bestimmte Ebene oder Richtung im Tensor bestimmen, was die Verarbeitung und das Verständnis der Daten erleichtert. Achsen entsprechen direkt den Formdimensionen. Jede Achse entspricht einem bestimmten Formwert, wobei die 0. Achse mit dem ersten Formwert übereinstimmt, die 1. Achse mit dem zweiten und so weiter.

Aufgabe

Swipe to start coding

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

Ihre Schritte sind also:

Rufen Sie die Eigenschaften des ersten Tensors ab.
Konstruieren Sie einen Tensor, der die angegebenen Kriterien erfüllt.

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

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