Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Tensorien Esittely | Tensorit
Johdanto TensorFlow'hun

bookTensorien Esittely

Johdatus tensoreihin

Tässä osiossa tarkastellaan perusteellisesti tensoreita, jotka ovat TensorFlow'n peruskomponentteja. Tensorit ovat keskeisiä koneoppimisen ja syväoppimisen työnkuluissa. Tässä luvussa käsitellään niiden merkitystä ja käyttökohteita.

Mitä tensorit ovat?

Tensorit voidaan nähdä moniulotteisina taulukoina. Kuvittele ne datan säiliöiksi, jotka sisältävät arvoja rakenteellisessa, N-ulotteisessa muodossa. Voit ajatella niitä rakennuspalikoina: yksittäin ne voivat vaikuttaa yksinkertaisilta, mutta yhdessä niistä muodostuu monimutkaisia rakenteita.

Tensorien tyypit

Olet todennäköisesti jo kohdannut tensoreita, erityisesti jos olet käyttänyt NumPy- ja Pandas-kirjastoja:

  • Scalaarit: vain yksi luku. Tämä on 0-ulotteinen tensori. Esimerkki: 5;
  • Vektorit: lukujen taulukko. Tämä on 1-ulotteinen tensori. Esimerkki: [1, 2, 3];
  • Matriisit: 2-ulotteinen tensori. Ajattele sitä lukuruudukoksi. Esimerkki:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D-tensorit: kun pinoat matriiseja, saat 3D-tensoreita;
Note
Huomio

Yllä olevassa animaatiossa esitetty 3D-tensori voidaan esittää seuraavasti:

[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
 [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
 [[5, 6, 3], [5, 3, 5], [8, 8, 2]]]

Jokainen rivi vastaa yksittäistä matriisia (2D-tensoria).

  • Korkeammat ulottuvuudet: ja voit jatkaa pinoamista vielä korkeampiin ulottuvuuksiin.

Siirtyminen matalampien ulottuvuuksien tensoreista korkeampiin saattaa vaikuttaa suurelta harppaukselta, mutta kyseessä on luonnollinen eteneminen tietorakenteiden käsittelyssä. Mitä syvemmälle menet neuroverkkoarkkitehtuureihin, erityisesti konvoluutiohermoverkkoihin (CNN) tai toistuvien hermoverkkoihin (RNN), sitä useammin kohtaat näitä. Monimutkaisuus kasvaa, mutta muista, että pohjimmiltaan ne ovat vain datan säiliöitä.

Merkitys syväoppimisessa

Tensorien korostaminen syväoppimisessa johtuu niiden yhtenäisyydestä ja tehokkuudesta. Ne tarjoavat johdonmukaisen rakenteen, jonka ansiosta matemaattiset operaatiot voidaan suorittaa saumattomasti, erityisesti GPU:illa. Kun neuroverkoissa käsitellään erilaisia datamuotoja, kuten kuvia tai ääntä, tensorit yksinkertaistavat datan esitystä varmistaen muodon, hierarkian ja järjestyksen säilymisen.

Tenzorin perusluonti

Tensorin luomiseen TensorFlow'ssa on useita tapoja, kuten satunnaisen tai rakenteellisen datan generointi, datan tuominen ennalta määritellystä tietojoukosta tai jopa tiedostosta. Tässä keskitytään kuitenkin yksinkertaisimpaan tapaan – tensorin luomiseen Python-listasta.

123456789101112
import tensorflow as tf # Create a 1D tensor tensor_1D = tf.constant([1, 2, 3]) # Create a 2D tensor tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]]) # Display tensor info print(tensor_1D) print('-' * 50) print(tensor_2D)
copy
Tehtävä

Swipe to start coding

Sinun tulee rakentaa tensoreita, joiden ulottuvuudet ovat 1, 2 ja 3. Voit täyttää ne haluamillasi arvoilla, mutta varmista, että säilytät määritellyn ulottuvuuksien määrän. Katso aiemmin annettua esimerkkiä ja tarvittaessa tutustu vihjeeseen.

Huomio

Kaikkien tensorin alilistojen tulee olla samanpituisia. Esimerkiksi, jos yhden 2D-tensorin alatensorin pituus on 3, kaikkien muiden alatensoreiden tulee olla myös samanpituisia. Esimerkiksi [[1, 2], [1, 2]] on kelvollinen tensori, mutta [[1, 2], [1, 2, 3]] ei ole.

Ratkaisu

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 2
single

single

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Suggested prompts:

What are some real-world examples where higher-dimensional tensors are used?

Can you explain the difference between tensors and regular arrays?

How do tensors help improve performance in deep learning?

close

Awesome!

Completion rate improved to 5.56

bookTensorien Esittely

Pyyhkäise näyttääksesi valikon

Johdatus tensoreihin

Tässä osiossa tarkastellaan perusteellisesti tensoreita, jotka ovat TensorFlow'n peruskomponentteja. Tensorit ovat keskeisiä koneoppimisen ja syväoppimisen työnkuluissa. Tässä luvussa käsitellään niiden merkitystä ja käyttökohteita.

Mitä tensorit ovat?

Tensorit voidaan nähdä moniulotteisina taulukoina. Kuvittele ne datan säiliöiksi, jotka sisältävät arvoja rakenteellisessa, N-ulotteisessa muodossa. Voit ajatella niitä rakennuspalikoina: yksittäin ne voivat vaikuttaa yksinkertaisilta, mutta yhdessä niistä muodostuu monimutkaisia rakenteita.

Tensorien tyypit

Olet todennäköisesti jo kohdannut tensoreita, erityisesti jos olet käyttänyt NumPy- ja Pandas-kirjastoja:

  • Scalaarit: vain yksi luku. Tämä on 0-ulotteinen tensori. Esimerkki: 5;
  • Vektorit: lukujen taulukko. Tämä on 1-ulotteinen tensori. Esimerkki: [1, 2, 3];
  • Matriisit: 2-ulotteinen tensori. Ajattele sitä lukuruudukoksi. Esimerkki:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D-tensorit: kun pinoat matriiseja, saat 3D-tensoreita;
Note
Huomio

Yllä olevassa animaatiossa esitetty 3D-tensori voidaan esittää seuraavasti:

[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
 [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
 [[5, 6, 3], [5, 3, 5], [8, 8, 2]]]

Jokainen rivi vastaa yksittäistä matriisia (2D-tensoria).

  • Korkeammat ulottuvuudet: ja voit jatkaa pinoamista vielä korkeampiin ulottuvuuksiin.

Siirtyminen matalampien ulottuvuuksien tensoreista korkeampiin saattaa vaikuttaa suurelta harppaukselta, mutta kyseessä on luonnollinen eteneminen tietorakenteiden käsittelyssä. Mitä syvemmälle menet neuroverkkoarkkitehtuureihin, erityisesti konvoluutiohermoverkkoihin (CNN) tai toistuvien hermoverkkoihin (RNN), sitä useammin kohtaat näitä. Monimutkaisuus kasvaa, mutta muista, että pohjimmiltaan ne ovat vain datan säiliöitä.

Merkitys syväoppimisessa

Tensorien korostaminen syväoppimisessa johtuu niiden yhtenäisyydestä ja tehokkuudesta. Ne tarjoavat johdonmukaisen rakenteen, jonka ansiosta matemaattiset operaatiot voidaan suorittaa saumattomasti, erityisesti GPU:illa. Kun neuroverkoissa käsitellään erilaisia datamuotoja, kuten kuvia tai ääntä, tensorit yksinkertaistavat datan esitystä varmistaen muodon, hierarkian ja järjestyksen säilymisen.

Tenzorin perusluonti

Tensorin luomiseen TensorFlow'ssa on useita tapoja, kuten satunnaisen tai rakenteellisen datan generointi, datan tuominen ennalta määritellystä tietojoukosta tai jopa tiedostosta. Tässä keskitytään kuitenkin yksinkertaisimpaan tapaan – tensorin luomiseen Python-listasta.

123456789101112
import tensorflow as tf # Create a 1D tensor tensor_1D = tf.constant([1, 2, 3]) # Create a 2D tensor tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]]) # Display tensor info print(tensor_1D) print('-' * 50) print(tensor_2D)
copy
Tehtävä

Swipe to start coding

Sinun tulee rakentaa tensoreita, joiden ulottuvuudet ovat 1, 2 ja 3. Voit täyttää ne haluamillasi arvoilla, mutta varmista, että säilytät määritellyn ulottuvuuksien määrän. Katso aiemmin annettua esimerkkiä ja tarvittaessa tutustu vihjeeseen.

Huomio

Kaikkien tensorin alilistojen tulee olla samanpituisia. Esimerkiksi, jos yhden 2D-tensorin alatensorin pituus on 3, kaikkien muiden alatensoreiden tulee olla myös samanpituisia. Esimerkiksi [[1, 2], [1, 2]] on kelvollinen tensori, mutta [[1, 2], [1, 2, 3]] ei ole.

Ratkaisu

Switch to desktopVaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista
Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 2
single

single

some-alt