Einführung in Tensoren
Einführung in Tensoren
Dieser Abschnitt bietet eine ausführliche Untersuchung von Tensoren, den grundlegenden Bausteinen von TensorFlow. Tensoren sind ein wesentlicher Bestandteil von Machine-Learning- und Deep-Learning-Workflows. In diesem Kapitel werden ihre Bedeutung und Anwendungsbereiche erläutert.
Was sind Tensoren?
Tensoren können als mehrdimensionale Arrays betrachtet werden. Sie lassen sich als Datencontainer vorstellen, die Werte in einem strukturierten, N-dimensionalen Format speichern. Man kann sie als Bausteine sehen: Für sich genommen erscheinen sie einfach, doch gemeinsam ermöglichen sie komplexe Strukturen.
Typen von Tensoren
Tatsächlich sind Ihnen Tensoren bereits begegnet, insbesondere wenn Sie mit den Bibliotheken NumPy und Pandas gearbeitet haben:
- Skalare: einfach eine einzelne Zahl. Dies ist ein 0-dimensionaler Tensor. Beispiel:
5; - Vektoren: ein Array von Zahlen. Dies ist ein 1-dimensionaler Tensor. Beispiel:
[1, 2, 3]; - Matrizen: ein 2-dimensionaler Tensor. Stellen Sie sich dies als ein Raster von Zahlen vor. Beispiel:
[[1, 2]
[3, 4]
[5, 6]]
- 3D-Tensoren: wenn Sie Matrizen stapeln, erhalten Sie 3D-Tensoren;
Der oben in der Animation gezeigte 3D-Tensor kann wie folgt dargestellt werden:
[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9]],
[[5, 6, 3], [5, 3, 5], [8, 8, 2]]]
Jede Zeile entspricht einer einzelnen Matrix (2D-Tensor).
- Höhere Dimensionen: und Sie können für noch höhere Dimensionen weiter stapeln.
Der Übergang von einem Tensor niedrigerer zu höherer Dimension mag wie ein Sprung erscheinen, ist aber eine natürliche Entwicklung beim Umgang mit Datenstrukturen. Je tiefer Sie in die Architekturen von neuronalen Netzwerken eintauchen, insbesondere Convolutional Neural Networks (CNNs) oder Recurrent Neural Networks (RNNs), desto häufiger werden Sie diesen begegnen. Die Komplexität nimmt zu, aber denken Sie daran: Im Kern sind es einfach Datencontainer.
Bedeutung im Deep Learning
Die Betonung von Tensoren im Deep Learning ergibt sich aus ihrer Einheitlichkeit und Effizienz. Sie bieten eine konsistente Struktur, die mathematische Operationen nahtlos ermöglicht, insbesondere auf GPUs. Beim Umgang mit verschiedenen Datenformen in neuronalen Netzwerken, wie Bildern oder Ton, vereinfachen Tensoren die Datenrepräsentation und gewährleisten, dass Form, Hierarchie und Reihenfolge erhalten bleiben.
Grundlegende Tensor-Erstellung
Es gibt zahlreiche Möglichkeiten, einen Tensor zu erstellen in TensorFlow, von der Erzeugung zufälliger oder strukturierter Daten bis hin zum Importieren von Daten aus einem vordefinierten Datensatz oder sogar einer Datei. Für den Moment konzentrieren wir uns jedoch auf die einfachste Methode – die Erstellung eines Tensors aus einer Python-Liste.
123456789101112import tensorflow as tf # Create a 1D tensor tensor_1D = tf.constant([1, 2, 3]) # Create a 2D tensor tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]]) # Display tensor info print(tensor_1D) print('-' * 50) print(tensor_2D)
Danke für Ihr Feedback!
single
Einführung in Tensoren
Swipe um das Menü anzuzeigen
Einführung in Tensoren
Dieser Abschnitt bietet eine ausführliche Untersuchung von Tensoren, den grundlegenden Bausteinen von TensorFlow. Tensoren sind ein wesentlicher Bestandteil von Machine-Learning- und Deep-Learning-Workflows. In diesem Kapitel werden ihre Bedeutung und Anwendungsbereiche erläutert.
Was sind Tensoren?
Tensoren können als mehrdimensionale Arrays betrachtet werden. Sie lassen sich als Datencontainer vorstellen, die Werte in einem strukturierten, N-dimensionalen Format speichern. Man kann sie als Bausteine sehen: Für sich genommen erscheinen sie einfach, doch gemeinsam ermöglichen sie komplexe Strukturen.
Typen von Tensoren
Tatsächlich sind Ihnen Tensoren bereits begegnet, insbesondere wenn Sie mit den Bibliotheken NumPy und Pandas gearbeitet haben:
- Skalare: einfach eine einzelne Zahl. Dies ist ein 0-dimensionaler Tensor. Beispiel:
5; - Vektoren: ein Array von Zahlen. Dies ist ein 1-dimensionaler Tensor. Beispiel:
[1, 2, 3]; - Matrizen: ein 2-dimensionaler Tensor. Stellen Sie sich dies als ein Raster von Zahlen vor. Beispiel:
[[1, 2]
[3, 4]
[5, 6]]
- 3D-Tensoren: wenn Sie Matrizen stapeln, erhalten Sie 3D-Tensoren;
Der oben in der Animation gezeigte 3D-Tensor kann wie folgt dargestellt werden:
[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
[[1, 2, 3], [4, 5, 6], [7, 8, 9]],
[[5, 6, 3], [5, 3, 5], [8, 8, 2]]]
Jede Zeile entspricht einer einzelnen Matrix (2D-Tensor).
- Höhere Dimensionen: und Sie können für noch höhere Dimensionen weiter stapeln.
Der Übergang von einem Tensor niedrigerer zu höherer Dimension mag wie ein Sprung erscheinen, ist aber eine natürliche Entwicklung beim Umgang mit Datenstrukturen. Je tiefer Sie in die Architekturen von neuronalen Netzwerken eintauchen, insbesondere Convolutional Neural Networks (CNNs) oder Recurrent Neural Networks (RNNs), desto häufiger werden Sie diesen begegnen. Die Komplexität nimmt zu, aber denken Sie daran: Im Kern sind es einfach Datencontainer.
Bedeutung im Deep Learning
Die Betonung von Tensoren im Deep Learning ergibt sich aus ihrer Einheitlichkeit und Effizienz. Sie bieten eine konsistente Struktur, die mathematische Operationen nahtlos ermöglicht, insbesondere auf GPUs. Beim Umgang mit verschiedenen Datenformen in neuronalen Netzwerken, wie Bildern oder Ton, vereinfachen Tensoren die Datenrepräsentation und gewährleisten, dass Form, Hierarchie und Reihenfolge erhalten bleiben.
Grundlegende Tensor-Erstellung
Es gibt zahlreiche Möglichkeiten, einen Tensor zu erstellen in TensorFlow, von der Erzeugung zufälliger oder strukturierter Daten bis hin zum Importieren von Daten aus einem vordefinierten Datensatz oder sogar einer Datei. Für den Moment konzentrieren wir uns jedoch auf die einfachste Methode – die Erstellung eines Tensors aus einer Python-Liste.
123456789101112import tensorflow as tf # Create a 1D tensor tensor_1D = tf.constant([1, 2, 3]) # Create a 2D tensor tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]]) # Display tensor info print(tensor_1D) print('-' * 50) print(tensor_2D)
Wischen, um mit dem Codieren zu beginnen
Sie müssen Tensoren mit den Dimensionen 1, 2 und 3 erstellen. Sie können diese mit beliebigen Werten füllen, achten Sie jedoch darauf, die angegebene Anzahl an Dimensionen beizubehalten. Orientieren Sie sich am zuvor gegebenen Beispiel. Falls Sie unsicher sind, nutzen Sie den Hinweis.
Hinweis
Die Sublists innerhalb eines Tensors müssen alle die gleiche Länge aufweisen. Wenn beispielsweise ein Subtensor eines 2D-Tensors die Länge 3 hat, sollten alle anderen Subtensoren ebenfalls diese Länge haben. Während
[[1, 2], [1, 2]]ein gültiger Tensor ist, ist[[1, 2], [1, 2, 3]]ungültig.
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
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
