Tensor-Transformationen

Diese Lektion behandelt die fortgeschrittenen Operationen der Transformation von Tensors.

Tensor-Transformationen sind unerlässlich bei der Datenverarbeitung. Mit zunehmender Vertiefung in Deep Learning und Data-Science-Aufgaben wird deutlich, dass die vorliegenden Daten nicht immer im gewünschten Format vorliegen. Diese Lektion stellt Methoden in TensorFlow vor, die die Anpassung der Struktur und des Inhalts von Tensors ermöglichen, um spezifische Anforderungen zu erfüllen.

Umformen von Tensors

Beim Arbeiten mit Tensors gibt es Situationen, in denen die Form geändert werden muss, ohne die zugrunde liegenden Daten zu verändern. tf.reshape() ist in solchen Fällen hilfreich.

Funktionsweise:

Das Umformen ändert die Struktur des Tensors, aber nicht dessen Daten. Die Gesamtanzahl der Elemente muss vor und nach dem Umformen gleich bleiben;
Die neue Form wird zeilenweise (von links nach rechts, von oben nach unten) "gefüllt".


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Hinweis

Beim Festlegen der neuen Form kann eine Dimension den Wert -1 haben. TensorFlow berechnet dann die Größe dieser Dimension so, dass die Gesamtgröße konstant bleibt.

Dies ist besonders nützlich, wenn Tensoren in ein neuronales Netzwerk eingespeist werden sollen, die Dimensionen jedoch nicht mit der Eingabeform des Netzwerks übereinstimmen.

Slicing

Slicing ermöglicht das Abrufen eines Teils eines Tensors. Es ist vergleichbar mit dem Listenslicing in Python, aber auf mehrdimensionale Tensoren erweitert.

Funktionsweise:

tf.slice() extrahiert einen Ausschnitt aus einem Tensor. Es erfordert den Startindex für den Ausschnitt und die Größe des Ausschnitts;
Wenn die Größe -1 ist, werden alle Elemente in dieser Dimension ausgewählt.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Hinweis

Immer an das nullbasierte Indexieren von TensorFlow denken, das dem nativen Indexieren von Python entspricht. Nützlich zum Extrahieren bestimmter Merkmale oder Datenpunkte aus einem größeren Datensatz.

Daten modifizieren

Es gibt eine weitere Möglichkeit des Slicings, die auch das Modifizieren der Originaldaten erlaubt, ähnlich wie das Slicen von Arrays in NumPy.

Funktionsweise:

Mit [] können Tensoren einfach gesliced und indexiert werden, vergleichbar mit NumPy-Slicing. Diese Methode ermöglicht die Auswahl bestimmter Zeilen, Spalten oder Elemente eines Tensors;
Mit tf.Variable() wird der Tensor veränderbar, sodass direkte Modifikationen mittels Slicing möglich sind;
Um die Werte des ausgewählten Subtensors zu ändern, die Methode .assign() mit einem Tensor oder einer Liste verwenden, die die gleiche Form hat.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Hinweis

Die Slicing-Syntax in TensorFlow ist größtenteils von NumPy inspiriert. Wenn Sie mit NumPy vertraut sind, ist der Übergang zum Slicing-Mechanismus von TensorFlow unkompliziert;
Verwenden Sie immer tf.Variable() für alle Operationen, die eine Veränderbarkeit des Tensors erfordern.

Konkatenation

Konkatenation ermöglicht das Zusammenfügen mehrerer Tensoren entlang einer angegebenen Achse.

Funktionsweise:

tf.concat() verbindet Tensoren. Die Methode erfordert eine Liste von Tensoren, die zusammengefügt werden sollen, sowie die Achse, entlang der die Operation ausgeführt wird;
Die Achse ist nullbasiert. Eine Achse von 0 bezieht sich auf Zeilen (vertikal) und eine Achse von 1 auf Spalten (horizontal).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Hinweis

Sicherstellen, dass die Tensoren, die zusammengefügt werden, übereinstimmende Dimensionen auf den nicht-konkatenierten Achsen aufweisen;
Diese Operation ähnelt numpy.concatenate(), ist jedoch speziell für TensorFlow-Tensoren ausgelegt.

Aufgabe

Swipe to start coding

Hintergrund

Sie arbeiten mit einem Datensatz, der Messwerte von verschiedenen Sensoren an unterschiedlichen geografischen Standorten enthält. Diese Sensoren erfassen wetterbezogene Daten wie Temperatur, Luftdruck und normalisierte geografische Koordinaten.

Beim Zusammenstellen der Messwerte haben Sie jedoch festgestellt, dass einige Daten falsch aufgezeichnet wurden.

Außerdem haben Sie neue Messwerte von anderen Sensoren erhalten, die Sie einbeziehen müssen.

Datensatzinformationen

main_dataset: Ein Tensor der Form (6, 4), der 6 Messwerte repräsentiert. Jede Zeile ist eine Stichprobe, und die Spalten stehen für folgende Merkmale:
- Temperatur (in Celsius);
- Luftdruck (in hPa);
- Normalisierte Breitengradkoordinate;
- Normalisierte Längengradkoordinate.
error_correction_data: Ein Tensor der Form (2, 4), der 2 korrigierte Messwerte für fehlerhafte Daten im Hauptdatensatz enthält.
additional_data: Ein Tensor der Form (3, 4), der 3 neue Messwerte enthält.

Zielsetzung

Erstellen Sie einen korrigierten und vollständigen Datensatz für die Wettervorhersage:

Datenkorrektur:
- Es wurde festgestellt, dass die Messwerte in der 2. und 5. Zeile des main_dataset ungenau waren. Ersetzen Sie diese Zeilen im main_dataset durch die Zeilen aus error_correction_data.
Einbindung zusätzlicher Daten:
- Fügen Sie das main_dataset mit additional_data zusammen, um die neuen Messwerte einzubeziehen.
Batch-Umformung:
- Für das Batch-Training soll der Datensatz in Batches mit je 3 Messwerten unterteilt werden. Formen Sie complete_dataset so um, dass die erste Dimension die Batchgröße und die zweite Dimension die Anzahl der Messwerte pro Batch darstellt.

Lösung

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 11

single

Fragen Sie AI

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

Awesome!

Completion rate improved to 5.56

Swipe um das Menü anzuzeigen

Tensor-Transformationen

Diese Lektion behandelt die fortgeschrittenen Operationen der Transformation von Tensors.

Umformen von Tensors

Beim Arbeiten mit Tensors gibt es Situationen, in denen die Form geändert werden muss, ohne die zugrunde liegenden Daten zu verändern. tf.reshape() ist in solchen Fällen hilfreich.

Funktionsweise:

Das Umformen ändert die Struktur des Tensors, aber nicht dessen Daten. Die Gesamtanzahl der Elemente muss vor und nach dem Umformen gleich bleiben;
Die neue Form wird zeilenweise (von links nach rechts, von oben nach unten) "gefüllt".


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Hinweis

Beim Festlegen der neuen Form kann eine Dimension den Wert -1 haben. TensorFlow berechnet dann die Größe dieser Dimension so, dass die Gesamtgröße konstant bleibt.

Dies ist besonders nützlich, wenn Tensoren in ein neuronales Netzwerk eingespeist werden sollen, die Dimensionen jedoch nicht mit der Eingabeform des Netzwerks übereinstimmen.

Slicing

Slicing ermöglicht das Abrufen eines Teils eines Tensors. Es ist vergleichbar mit dem Listenslicing in Python, aber auf mehrdimensionale Tensoren erweitert.

Funktionsweise:

tf.slice() extrahiert einen Ausschnitt aus einem Tensor. Es erfordert den Startindex für den Ausschnitt und die Größe des Ausschnitts;
Wenn die Größe -1 ist, werden alle Elemente in dieser Dimension ausgewählt.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Hinweis

Daten modifizieren

Es gibt eine weitere Möglichkeit des Slicings, die auch das Modifizieren der Originaldaten erlaubt, ähnlich wie das Slicen von Arrays in NumPy.

Funktionsweise:

Mit [] können Tensoren einfach gesliced und indexiert werden, vergleichbar mit NumPy-Slicing. Diese Methode ermöglicht die Auswahl bestimmter Zeilen, Spalten oder Elemente eines Tensors;
Mit tf.Variable() wird der Tensor veränderbar, sodass direkte Modifikationen mittels Slicing möglich sind;
Um die Werte des ausgewählten Subtensors zu ändern, die Methode .assign() mit einem Tensor oder einer Liste verwenden, die die gleiche Form hat.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Hinweis

Die Slicing-Syntax in TensorFlow ist größtenteils von NumPy inspiriert. Wenn Sie mit NumPy vertraut sind, ist der Übergang zum Slicing-Mechanismus von TensorFlow unkompliziert;
Verwenden Sie immer tf.Variable() für alle Operationen, die eine Veränderbarkeit des Tensors erfordern.

Konkatenation

Konkatenation ermöglicht das Zusammenfügen mehrerer Tensoren entlang einer angegebenen Achse.

Funktionsweise:

tf.concat() verbindet Tensoren. Die Methode erfordert eine Liste von Tensoren, die zusammengefügt werden sollen, sowie die Achse, entlang der die Operation ausgeführt wird;
Die Achse ist nullbasiert. Eine Achse von 0 bezieht sich auf Zeilen (vertikal) und eine Achse von 1 auf Spalten (horizontal).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Hinweis

Sicherstellen, dass die Tensoren, die zusammengefügt werden, übereinstimmende Dimensionen auf den nicht-konkatenierten Achsen aufweisen;
Diese Operation ähnelt numpy.concatenate(), ist jedoch speziell für TensorFlow-Tensoren ausgelegt.

Aufgabe

Swipe to start coding

Hintergrund

Beim Zusammenstellen der Messwerte haben Sie jedoch festgestellt, dass einige Daten falsch aufgezeichnet wurden.

Außerdem haben Sie neue Messwerte von anderen Sensoren erhalten, die Sie einbeziehen müssen.

Datensatzinformationen

main_dataset: Ein Tensor der Form (6, 4), der 6 Messwerte repräsentiert. Jede Zeile ist eine Stichprobe, und die Spalten stehen für folgende Merkmale:
- Temperatur (in Celsius);
- Luftdruck (in hPa);
- Normalisierte Breitengradkoordinate;
- Normalisierte Längengradkoordinate.
error_correction_data: Ein Tensor der Form (2, 4), der 2 korrigierte Messwerte für fehlerhafte Daten im Hauptdatensatz enthält.
additional_data: Ein Tensor der Form (3, 4), der 3 neue Messwerte enthält.

Zielsetzung

Erstellen Sie einen korrigierten und vollständigen Datensatz für die Wettervorhersage:

Datenkorrektur:
- Es wurde festgestellt, dass die Messwerte in der 2. und 5. Zeile des main_dataset ungenau waren. Ersetzen Sie diese Zeilen im main_dataset durch die Zeilen aus error_correction_data.
Einbindung zusätzlicher Daten:
- Fügen Sie das main_dataset mit additional_data zusammen, um die neuen Messwerte einzubeziehen.
Batch-Umformung:
- Für das Batch-Training soll der Datensatz in Batches mit je 3 Messwerten unterteilt werden. Formen Sie complete_dataset so um, dass die erste Dimension die Batchgröße und die zweite Dimension die Anzahl der Messwerte pro Batch darstellt.

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 11

single