Tensoreiden Esittely
Mikä on tensori?
Olet jo entuudestaan tuttu joistakin tensorien erityistapauksista:
- Skalaari (0D-tensori): yksittäinen luku, kuten
5tai3.14; - Vektori (1D-tensori): lukulista, esimerkiksi
[1, 2, 3]; - Matriisi (2D-tensori): kaksisuuntainen lukuruudukko, kuten taulukko riveineen ja sarakkeineen.
Korkeamman ulottuvuuden tensorit (3D, 4D, jne.) laajentavat matriisien käsitteen useampiin ulottuvuuksiin. Esimerkiksi 3D-tensori voi kuvata kuvaa, jossa on korkeus, leveys ja värikanavat.
Vaikka terminologia saattaa aluksi vaikuttaa monimutkaiselta, keskeinen ajatus on, että tensorit ovat yksinkertaisesti numeerisen datan säiliöitä, aivan kuten NumPy-taulukot.
Tensorit PyTorchissa vs. NumPy-taulukot
PyTorchin tensorit käyttäytyvät monin tavoin samalla tavalla kuin NumPy-taulukot. Lisäksi tensorien indeksointi ja viipalointi toimivat samalla tavalla kuin NumPy-taulukoissa, joten näitä aiheita ei käsitellä tässä kurssissa.
PyTorchin tensorit tarjoavat kuitenkin lisäetuja, kuten:
- Luontainen tuki GPU-kiihdytykselle;
- Integraatio PyTorchin syväoppimismoduuleihin;
- Yhteensopivuus autogradin, PyTorchin automaattisen differentiaatiotyökalun, kanssa takaisinkytkentää varten.
Tensorien luominen
PyTorch tarjoaa useita tapoja luoda tensoreita. Yksi perusmenetelmistä on luoda tensori listasta tai NumPy-taulukosta. Suositeltu tapa tähän on siirtää data torch.tensor() -funktiolle:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Luo 3D-tensori suoraan 3D-listasta ilman, että tallennat listaa erilliseen muuttujaan. Tensorilla voi olla mitkä tahansa ulottuvuudet ja se voi sisältää mitä tahansa alkioita.
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 5Tensoreiden Esittely
Pyyhkäise näyttääksesi valikon
Mikä on tensori?
Olet jo entuudestaan tuttu joistakin tensorien erityistapauksista:
- Skalaari (0D-tensori): yksittäinen luku, kuten
5tai3.14; - Vektori (1D-tensori): lukulista, esimerkiksi
[1, 2, 3]; - Matriisi (2D-tensori): kaksisuuntainen lukuruudukko, kuten taulukko riveineen ja sarakkeineen.
Korkeamman ulottuvuuden tensorit (3D, 4D, jne.) laajentavat matriisien käsitteen useampiin ulottuvuuksiin. Esimerkiksi 3D-tensori voi kuvata kuvaa, jossa on korkeus, leveys ja värikanavat.
Vaikka terminologia saattaa aluksi vaikuttaa monimutkaiselta, keskeinen ajatus on, että tensorit ovat yksinkertaisesti numeerisen datan säiliöitä, aivan kuten NumPy-taulukot.
Tensorit PyTorchissa vs. NumPy-taulukot
PyTorchin tensorit käyttäytyvät monin tavoin samalla tavalla kuin NumPy-taulukot. Lisäksi tensorien indeksointi ja viipalointi toimivat samalla tavalla kuin NumPy-taulukoissa, joten näitä aiheita ei käsitellä tässä kurssissa.
PyTorchin tensorit tarjoavat kuitenkin lisäetuja, kuten:
- Luontainen tuki GPU-kiihdytykselle;
- Integraatio PyTorchin syväoppimismoduuleihin;
- Yhteensopivuus autogradin, PyTorchin automaattisen differentiaatiotyökalun, kanssa takaisinkytkentää varten.
Tensorien luominen
PyTorch tarjoaa useita tapoja luoda tensoreita. Yksi perusmenetelmistä on luoda tensori listasta tai NumPy-taulukosta. Suositeltu tapa tähän on siirtää data torch.tensor() -funktiolle:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Luo 3D-tensori suoraan 3D-listasta ilman, että tallennat listaa erilliseen muuttujaan. Tensorilla voi olla mitkä tahansa ulottuvuudet ja se voi sisältää mitä tahansa alkioita.
Ratkaisu
Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoistaKiitos palautteestasi!
single
