Propiedades de los Tensores
Propiedades de los tensores
Los tensores poseen propiedades distintivas que determinan su estructura y la manera en que procesan y almacenan datos.
- Rango: indica el número de dimensiones presentes en el tensor. Por ejemplo, una matriz tiene un rango de 2. Se puede obtener el rango del tensor utilizando el atributo
.ndim:
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}')
La definición de listas en Python está estructurada en varias líneas para mayor claridad. Si se condensa en una sola línea, funcionará de la misma manera.
- Forma: describe cuántos valores existen en cada dimensión. Una matriz de 2x3 tiene una forma de
(2, 3). La longitud del parámetro de forma coincide con el rango del tensor (su número de dimensiones). Se puede obtener la forma del tensor mediante el atributo.shape:
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}')
Obtener las formas y rangos de los tensores correctamente es fundamental en el aprendizaje profundo. Las incompatibilidades de dimensiones son errores comunes, especialmente al construir modelos complejos en TensorFlow.
- Tipos: los tensores existen en varios tipos de datos. Aunque hay muchos, algunos de los más comunes incluyen
float32,int32ystring. Profundizaremos en los tipos de datos de tensores en los próximos capítulos. Puede obtener el tipo de dato del tensor mediante el atributo.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}')
El tipo de dato de un tensor es determinado por el contenido que contiene. Es fundamental que todos los elementos dentro del tensor sean de el mismo tipo.
- Ejes: los ejes ayudan a navegar a través de las dimensiones de los tensores. Al especificar un eje, se puede identificar una capa o dirección específica en el tensor, facilitando el procesamiento y la comprensión de los datos. Los ejes corresponden directamente a las dimensiones de la forma. Cada eje corresponde a un valor específico de la forma, siendo el eje 0 el que se alinea con el primer valor de la forma, el eje 1 con el segundo, y así sucesivamente.
Swipe to start coding
En esta tarea, se te proporcionan dos tensores. El primer tensor ya está creado para ti; tu tarea es mostrar sus propiedades utilizando los atributos relevantes del tensor. Para el segundo tensor, deberás construirlo tú mismo con las siguientes especificaciones:
- Rango:
3. - Forma:
(2, 4, 3). - Tipo de dato:
float.
Por lo tanto, tus pasos son:
- Recuperar las propiedades del primer tensor.
- Construir un tensor que cumpla con los criterios especificados.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 5.56Propiedades de los Tensores
Desliza para mostrar el menú
Propiedades de los tensores
Los tensores poseen propiedades distintivas que determinan su estructura y la manera en que procesan y almacenan datos.
- Rango: indica el número de dimensiones presentes en el tensor. Por ejemplo, una matriz tiene un rango de 2. Se puede obtener el rango del tensor utilizando el atributo
.ndim:
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}')
La definición de listas en Python está estructurada en varias líneas para mayor claridad. Si se condensa en una sola línea, funcionará de la misma manera.
- Forma: describe cuántos valores existen en cada dimensión. Una matriz de 2x3 tiene una forma de
(2, 3). La longitud del parámetro de forma coincide con el rango del tensor (su número de dimensiones). Se puede obtener la forma del tensor mediante el atributo.shape:
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}')
Obtener las formas y rangos de los tensores correctamente es fundamental en el aprendizaje profundo. Las incompatibilidades de dimensiones son errores comunes, especialmente al construir modelos complejos en TensorFlow.
- Tipos: los tensores existen en varios tipos de datos. Aunque hay muchos, algunos de los más comunes incluyen
float32,int32ystring. Profundizaremos en los tipos de datos de tensores en los próximos capítulos. Puede obtener el tipo de dato del tensor mediante el atributo.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}')
El tipo de dato de un tensor es determinado por el contenido que contiene. Es fundamental que todos los elementos dentro del tensor sean de el mismo tipo.
- Ejes: los ejes ayudan a navegar a través de las dimensiones de los tensores. Al especificar un eje, se puede identificar una capa o dirección específica en el tensor, facilitando el procesamiento y la comprensión de los datos. Los ejes corresponden directamente a las dimensiones de la forma. Cada eje corresponde a un valor específico de la forma, siendo el eje 0 el que se alinea con el primer valor de la forma, el eje 1 con el segundo, y así sucesivamente.
Swipe to start coding
En esta tarea, se te proporcionan dos tensores. El primer tensor ya está creado para ti; tu tarea es mostrar sus propiedades utilizando los atributos relevantes del tensor. Para el segundo tensor, deberás construirlo tú mismo con las siguientes especificaciones:
- Rango:
3. - Forma:
(2, 4, 3). - Tipo de dato:
float.
Por lo tanto, tus pasos son:
- Recuperar las propiedades del primer tensor.
- Construir un tensor que cumpla con los criterios especificados.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
