Tensorin ominaisuudet

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

Rakenneaste (Rank): ilmaisee tensorin ulottuvuuksien lukumäärän. Esimerkiksi matriisilla rakenneaste on 2. Tensorin rakenneasteen voi tarkistaa .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 jäsennelty usealle riville selkeyden vuoksi. Yhdistäminen yhdelle riville osoittaa, että toiminnallisuus säilyy samana.

Muoto (Shape): kuvaa arvojen määrän jokaisessa ulottuvuudessa. 2x3-matriisin muoto on (2, 3). Muotoparametrin pituus vastaa tensorin astetta (sen ulottuvuuksien lukumäärää). Tensorin muodon saa selville .shape-attribuutilla:


              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

Tensoreiden muotojen ja arvojen oikeellisuus on olennaista syväoppimisessa. Ulottuvuuksien yhteensopimattomuudet ovat yleisiä sudenkuoppia, 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

Tensoriaineiston tietotyyppi määräytyy sisällön perusteella. On olennaista, että kaikki tensorin alkiot ovat samaa tyyppiä.

Akselit: akselit auttavat navigoimaan tensorien ulottuvuuksissa. Määrittämällä akselin voit kohdistaa tietyn kerroksen tai suunnan tensorissa, mikä helpottaa datan käsittelyä ja ymmärtämistä. Akselit vastaavat suoraan muodon ulottuvuuksia. Jokainen akseli vastaa tiettyä muotoarvoa, jolloin 0. akseli vastaa ensimmäistä muotoarvoa, 1. akseli toista ja niin edelleen.

Tehtävä

Swipe to start coding

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 määrittelyjen 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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 3

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 5.56

Pyyhkäise näyttääksesi valikon

Tensorin ominaisuudet

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

Rakenneaste (Rank): ilmaisee tensorin ulottuvuuksien lukumäärän. Esimerkiksi matriisilla rakenneaste on 2. Tensorin rakenneasteen voi tarkistaa .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 jäsennelty usealle riville selkeyden vuoksi. Yhdistäminen yhdelle riville osoittaa, että toiminnallisuus säilyy samana.

Muoto (Shape): kuvaa arvojen määrän jokaisessa ulottuvuudessa. 2x3-matriisin muoto on (2, 3). Muotoparametrin pituus vastaa tensorin astetta (sen ulottuvuuksien lukumäärää). Tensorin muodon saa selville .shape-attribuutilla:


              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

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

Tensoriaineiston tietotyyppi määräytyy sisällön perusteella. On olennaista, että kaikki tensorin alkiot ovat samaa tyyppiä.

Akselit: akselit auttavat navigoimaan tensorien ulottuvuuksissa. Määrittämällä akselin voit kohdistaa tietyn kerroksen tai suunnan tensorissa, mikä helpottaa datan käsittelyä ja ymmärtämistä. Akselit vastaavat suoraan muodon ulottuvuuksia. Jokainen akseli vastaa tiettyä muotoarvoa, jolloin 0. akseli vastaa ensimmäistä muotoarvoa, 1. akseli toista ja niin edelleen.

Tehtävä

Swipe to start coding

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

Tensorin Ominaisuudet

Tensorin ominaisuudet

Ratkaisu

Awesome!

Tensorin Ominaisuudet

Tensorin ominaisuudet

Ratkaisu