Tensorin ominaisuudet

Tensoreilla on erityisiä ominaisuuksia, jotka määrittävät niiden rakenteen sekä tavan käsitellä ja tallentaa dataa.

Rakenneaste (Rank): kertoo tensorin ulottuvuuksien lukumäärän. Esimerkiksi matriisilla rakenneaste on 2. Tensorin rakenneasteen saa selville .ndim-attribuutilla:


              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}')

Huomio

Python-listojen määrittely on jaettu usealle riville selkeämmän luettavuuden vuoksi. Jos määrittely tiivistetään yhdelle riville, toiminnallisuus säilyy samana.

Shape: kuvaa arvojen määrän jokaisessa ulottuvuudessa. 2x3-matriisilla muoto on (2, 3). Shape-parametrin pituus vastaa tensorin rankia (eli ulottuvuuksien määrää). Tämän saat selville tensorin .shape-attribuutista:


              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}')

Huomio

Tensorien muotojen ja ulottuvuuksien oikeellisuus on olennaista syväoppimisessa. Ulottuvuuksien yhteensopimattomuudet ovat yleisiä virheitä, erityisesti rakennettaessa monimutkaisia malleja TensorFlow'ssa.

Tyypit: tensorit voivat olla useissa eri tietotyypeissä. Vaikka vaihtoehtoja on monia, yleisimpiä ovat float32, int32 ja string. Käsittelemme tensorien tietotyyppejä tarkemmin tulevissa luvuissa. Tietotyypin voi tarkistaa tensorin .dtype-attribuutilla:


              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}')

Huomio

Tensorin tietotyyppi määräytyy sisällön perusteella. Kaikkien tensorin alkioiden tulee olla samaa tyyppiä.

Akselit: akselit auttavat navigoimaan tensorien ulottuvuuksissa. Määrittämällä akselin voidaan osoittaa tietty kerros tai suunta tensorissa, mikä helpottaa datan käsittelyä ja ymmärtämistä. Akselit vastaavat suoraan muodon dimensioita. Jokainen akseli vastaa tiettyä muodon arvoa: 0. akseli vastaa ensimmäistä muodon arvoa, 1. akseli toista ja niin edelleen.

Tehtävä

Pyyhkäise aloittaaksesi koodauksen

Tässä tehtävässä sinulle annetaan kaksi tensoria. Ensimmäinen tensori on jo luotu valmiiksi; tehtävänäsi on näyttää sen ominaisuudet hyödyntämällä tensorin olennaisia attribuutteja. Toisen tensorin osalta sinun tulee luoda se itse seuraavien vaatimusten mukaisesti:

Rakenne (rank): 3.
Muoto (shape): (2, 4, 3).
Datan tyyppi: float.

Toimi seuraavasti:

Hae ensimmäisen tensorin ominaisuudet.
Rakenna tensori, joka täyttää annetut kriteerit.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 3

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Tensorin Ominaisuudet

Tensorin ominaisuudet

Ratkaisu