Reduktio-operaatiot

Tensor-operaatioiden maailmassa on lukuisia tehtäviä, joissa täytyy vähentää datan ulottuvuuksia joko yhteenvetämällä sitä yhden tai useamman akselin yli. 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 operaatiota tämän toteuttamiseen, ja tässä luvussa tutustutaan yleisimmin käytettyihin reduktio-operaatioihin.

Summa, keskiarvo, maksimi ja minimi

TensorFlow tarjoaa seuraavat menetelmät näihin laskutoimituksiin:

tf.reduce_sum(): laskee tensorin kaikkien alkioiden summan tai tietyn akselin yli;
tf.reduce_mean(): laskee tensorin alkioiden keskiarvon;
tf.reduce_max(): määrittää tensorin maksimiarvon;
tf.reduce_min(): etsii tensorin minimiarvon.


              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()-menetelmää käytettiin tensorien muuntamiseen NumPy-taulukoiksi, mikä tarjoaa selkeämmän numeerisen esityksen näytettäessä arvoja.

Operaatiot 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: operaatio suoritetaan riveittäin (tuloksena sarakevektori);
axis=1: operaatio suoritetaan sarakkeittain (tuloksena rivivektori);
On mahdollista pienentää useita akseleita samanaikaisesti antamalla lista axis-parametrille;
Kun tensorin aste pienenee, voidaan käyttää keepdims=True-asetusta, jolloin pienennetty ulottuvuus säilyy 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 pätee kaikilla ulottuvuuksilla.

Tältä se näyttää 3D-tensorille:


              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())

Huomautus

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

Tehtävä

Pyyhkäise aloittaaksesi koodauksen

Taustatiedot

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

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 jokaisen tuplan ensimmäinen luku tarkoittaa kyseisen päivän ja kaupungin lämpötilaa (Celsius-asteina) ja toinen luku tarkoittaa kosteutta (prosentteina).

Ratkaisu

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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 4

single

Kysy tekoälyä