Reduktio-operaatiot

Tensor-operaatioiden maailmassa on lukuisia tehtäviä, joissa täytyy vähentää datan ulottuvuuksia joko yhteenvetämällä sitä yhdellä tai useammalla akselilla. Esimerkiksi, jos käytössä on 2D-tensori (matriisi), reduktio-operaatio voi laskea arvon jokaiselle riville tai sarakkeelle, jolloin tuloksena on 1D-tensori (vektori). TensorFlow tarjoaa joukon operaatioita tämän toteuttamiseen, ja tässä luvussa tarkastellaan yleisimmin käytettyjä reduktio-operaatioita.

Summa, keskiarvo, maksimi ja minimi

TensorFlow tarjoaa seuraavat menetelmät näihin laskutoimituksiin:

tf.reduce_sum(): laskee kaikkien tensorin alkioiden summan tai tietyn akselin suhteen;
tf.reduce_mean(): laskee tensorin alkioiden keskiarvon;
tf.reduce_max(): määrittää tensorin suurimman arvon;
tf.reduce_min(): etsii tensorin pienimmän arvon.


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])

# Calculate sum of all elements
total_sum = tf.reduce_sum(tensor)
print("Total Sum:", total_sum.numpy())

# Calculate mean of all elements
mean_val = tf.reduce_mean(tensor)
print("Mean Value:", mean_val.numpy())

# Determine the maximum value
max_val = tf.reduce_max(tensor)
print("Maximum Value:", max_val.numpy())

# Find the minimum value
min_val = tf.reduce_min(tensor)
print("Minimum Value:", min_val.numpy())

Huomio

.numpy()-metodia käytettiin tensorien muuntamiseen NumPy-taulukoiksi, mikä tarjoaa selkeämmän numeerisen esityksen näytettäessä lukuja.

Operaatioita tietyillä akseleilla

Tensoreilla voi olla useita ulottuvuuksia, ja joskus halutaan suorittaa reduktioita tietyllä akselilla. axis-parametrilla voidaan määrittää, mitä akselia tai akseleita halutaan pienentää.

axis=0: suorittaa operaation riveittäin (tuloksena sarakevektori);
axis=1: suorittaa operaation sarakkeittain (tuloksena rivivektori);
On mahdollista pienentää useita akseleita samanaikaisesti antamalla lista axis-parametrille;
Kun tensorin aste pienenee, voidaan käyttää keepdims=True säilyttämään pienennetty ulottuvuus arvolla 1.

2D-tensorille (matriisi):


              1234567891011121314151617181920
            
import tensorflow as tf

tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])

# Calculate the sum of each column 
col_sum = tf.reduce_sum(tensor, axis=0)
print("Column-wise Sum:", col_sum.numpy())

# Calculate the maximum of each row 
col_max = tf.reduce_max(tensor, axis=1)
print("Row-wise Max:", col_max.numpy())

# Calculate the mean of the whole tensor (reduce along both directions)
# Equivalent to not specifying the axis at all
total_mean = tf.reduce_mean(tensor, axis=(0, 1))
print("Total Mean:", total_mean.numpy())

# Calculate the mean of the whole tensor (keeping reduced dimensions)
total_mean_dim = tf.reduce_mean(tensor, axis=(0, 1), keepdims=True)
print("Total Mean (saving dimensions):", total_mean_dim.numpy())

Huomio

Kun suoritat reduktio-operaation tietyn akselin suhteen, poistat käytännössä kyseisen akselin tensorista ja yhdistät kaikki kyseisen akselin tensorit alkioittain. Sama vaikutus säilyy riippumatta ulottuvuuksien määrästä.

Tältä se näyttää 3-ulotteisella tensorilla:


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]], 
    [[9, 10], [11, 12]]
])

# Calculate the sum along axis 0
sum_0 = tf.reduce_sum(tensor, axis=0)
print("Sum axis 0:\n", sum_0.numpy())

# Calculate the sum along axis 1
sum_1 = tf.reduce_sum(tensor, axis=1)
print("Sum axis 1:\n", sum_1.numpy())

# Calculate the sum along axes 0 and 1
sum_0_1 = tf.reduce_sum(tensor, axis=(0, 1))
print("Sum axes 0 and 1:\n", sum_0_1.numpy())

Huomio

TensorFlowissa on olemassa monia muita reduktio-operaatioita, mutta ne toimivat samoilla periaatteilla.

Tehtävä

Swipe to start coding

Taustatiedot

Olet data-analyytikko sääntutkimuslaitoksessa. Sinulle on annettu tensori, joka sisältää säähavaintoja eri kaupungeista useiden päivien ajalta. Tensorilla on seuraava rakenne:

Ulottuvuus 1: edustaa eri kaupunkeja;
Ulottuvuus 2: edustaa eri päiviä.
Jokainen tensorin alkio on (temperature, humidity) -tyyppinen tupla.

Tavoite

Laske keskimääräinen lämpötila jokaiselle kaupungille kaikkien päivien ajalta.
Laske suurin kosteuslukema kaikista kaupungeista jokaiselle päivälle.

Huom

Tässä tensorissa tuplan ensimmäinen luku edustaa kyseisen päivän ja kaupungin lämpötilaa (Celsius-asteina) ja toinen luku kosteutta (prosentteina).

Ratkaisu

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 12

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Suggested prompts:

Can you explain what the axis parameter means in more detail?

How does keepdims=True affect the output shape?

Can you show more examples with higher-dimensional tensors?

Awesome!

Completion rate improved to 5.56

Pyyhkäise näyttääksesi valikon

Reduktio-operaatiot

Summa, keskiarvo, maksimi ja minimi

TensorFlow tarjoaa seuraavat menetelmät näihin laskutoimituksiin:

tf.reduce_sum(): laskee kaikkien tensorin alkioiden summan tai tietyn akselin suhteen;
tf.reduce_mean(): laskee tensorin alkioiden keskiarvon;
tf.reduce_max(): määrittää tensorin suurimman arvon;
tf.reduce_min(): etsii tensorin pienimmän arvon.


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])

# Calculate sum of all elements
total_sum = tf.reduce_sum(tensor)
print("Total Sum:", total_sum.numpy())

# Calculate mean of all elements
mean_val = tf.reduce_mean(tensor)
print("Mean Value:", mean_val.numpy())

# Determine the maximum value
max_val = tf.reduce_max(tensor)
print("Maximum Value:", max_val.numpy())

# Find the minimum value
min_val = tf.reduce_min(tensor)
print("Minimum Value:", min_val.numpy())

Huomio

.numpy()-metodia käytettiin tensorien muuntamiseen NumPy-taulukoiksi, mikä tarjoaa selkeämmän numeerisen esityksen näytettäessä lukuja.

Operaatioita tietyillä akseleilla

axis=0: suorittaa operaation riveittäin (tuloksena sarakevektori);
axis=1: suorittaa operaation sarakkeittain (tuloksena rivivektori);
On mahdollista pienentää useita akseleita samanaikaisesti antamalla lista axis-parametrille;
Kun tensorin aste pienenee, voidaan käyttää keepdims=True säilyttämään pienennetty ulottuvuus arvolla 1.

2D-tensorille (matriisi):


              1234567891011121314151617181920
            
import tensorflow as tf

tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])

# Calculate the sum of each column 
col_sum = tf.reduce_sum(tensor, axis=0)
print("Column-wise Sum:", col_sum.numpy())

# Calculate the maximum of each row 
col_max = tf.reduce_max(tensor, axis=1)
print("Row-wise Max:", col_max.numpy())

# Calculate the mean of the whole tensor (reduce along both directions)
# Equivalent to not specifying the axis at all
total_mean = tf.reduce_mean(tensor, axis=(0, 1))
print("Total Mean:", total_mean.numpy())

# Calculate the mean of the whole tensor (keeping reduced dimensions)
total_mean_dim = tf.reduce_mean(tensor, axis=(0, 1), keepdims=True)
print("Total Mean (saving dimensions):", total_mean_dim.numpy())

Huomio

Tältä se näyttää 3-ulotteisella tensorilla:


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]], 
    [[9, 10], [11, 12]]
])

# Calculate the sum along axis 0
sum_0 = tf.reduce_sum(tensor, axis=0)
print("Sum axis 0:\n", sum_0.numpy())

# Calculate the sum along axis 1
sum_1 = tf.reduce_sum(tensor, axis=1)
print("Sum axis 1:\n", sum_1.numpy())

# Calculate the sum along axes 0 and 1
sum_0_1 = tf.reduce_sum(tensor, axis=(0, 1))
print("Sum axes 0 and 1:\n", sum_0_1.numpy())

Huomio

TensorFlowissa on olemassa monia muita reduktio-operaatioita, mutta ne toimivat samoilla periaatteilla.

Tehtävä

Swipe to start coding

Taustatiedot

Olet data-analyytikko sääntutkimuslaitoksessa. Sinulle on annettu tensori, joka sisältää säähavaintoja eri kaupungeista useiden päivien ajalta. Tensorilla on seuraava rakenne:

Ulottuvuus 1: edustaa eri kaupunkeja;
Ulottuvuus 2: edustaa eri päiviä.
Jokainen tensorin alkio on (temperature, humidity) -tyyppinen tupla.

Tavoite

Laske keskimääräinen lämpötila jokaiselle kaupungille kaikkien päivien ajalta.
Laske suurin kosteuslukema kaikista kaupungeista jokaiselle päivälle.

Huom

Tässä tensorissa tuplan ensimmäinen luku edustaa kyseisen päivän ja kaupungin lämpötilaa (Celsius-asteina) ja toinen luku kosteutta (prosentteina).

Ratkaisu

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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 12

single

Reduktiotoiminnot

Reduktio-operaatiot

Summa, keskiarvo, maksimi ja minimi

Operaatioita tietyillä akseleilla

Taustatiedot

Tavoite

Ratkaisu

Awesome!

Reduktiotoiminnot

Reduktio-operaatiot

Summa, keskiarvo, maksimi ja minimi

Operaatioita tietyillä akseleilla

Taustatiedot

Tavoite

Ratkaisu