Tensorimuunnokset

Tässä luvussa käsitellään tensorien muuntamisen edistyneitä operaatioita.

Tensorimuunnokset ovat olennaisia datan käsittelyssä. Syventyessäsi syväoppimiseen ja datatieteeseen, huomaat nopeasti, että data ei aina ole halutussa muodossa. Tässä luvussa esitellään TensorFlow'n menetelmiä, joiden avulla voidaan muokata tensorien rakennetta ja sisältöä vastaamaan erityisiä vaatimuksia.

Tensorien uudelleenmuotoilu

Tensorien kanssa työskennellessä on tilanteita, joissa täytyy muuttaa muotoa muuttamatta taustalla olevaa dataa. tf.reshape() on hyödyllinen tällaisissa tilanteissa.

Toimintaperiaate:

Uudelleenmuotoilu muuttaa tensorin rakennetta, mutta ei sen dataa. Alkioiden kokonaismäärän ennen ja jälkeen uudelleenmuotoilun täytyy pysyä samana;
Operaatio täyttää uuden muodon riveittäin (vasemmalta oikealle, ylhäältä alas).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Huomio

Kun määrität uuden muodon, yksi ulottuvuus voi olla -1. TensorFlow laskee tämän ulottuvuuden koon niin, että kokonaiskoko pysyy samana.

Tämä on erityisen hyödyllistä, kun haluat syöttää tensoreita neuroverkkoon, mutta ulottuvuudet eivät vastaa verkon syötteen muotoa.

Viipalointi

Viipalointi auttaa hakemaan osan tensorista. Se on verrattavissa Pythonin listojen viipalointiin, mutta laajennettuna moniulotteisille tensoreille.

Toimintaperiaate:

tf.slice() poimii viipaleen tensorista. Se vaatii viipaleen aloitusindeksin ja viipaleen koon;
Jos koko on -1, se tarkoittaa kaikkia alkioita kyseisessä ulottuvuudessa.


              12345678910111213
            
import tensorflow as tf

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

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Huomio

Muista aina TensorFlown nollapohjainen indeksointi, joka on samanlainen kuin Pythonin oma indeksointi. Hyödyllinen tiettyjen ominaisuuksien tai datapisteiden poimimiseen suuremmasta tietojoukosta.

Datan muokkaaminen

On olemassa toinen viipalointitapa, joka mahdollistaa myös alkuperäisen datan muokkaamisen, vastaavasti kuin NumPyn taulukoiden viipalointi.

Toimintaperiaate:

Käyttämällä [] voit helposti viipaloida ja indeksoida tensoreita, samoin kuin NumPyssa. Tällä tavalla voit valita tiettyjä rivejä, sarakkeita tai tensorin alkioita;
Kun käytät tf.Variable(), tensorista tulee muokattava, jolloin voit tehdä suoria muutoksia viipaloinnin avulla;
Muokataksesi valitun alatensorin arvoja, käytä .assign()-metodia tensorilla tai listalla, jonka muoto vastaa alatensorin muotoa.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Huomio

TensorFlow:n viipalointisyntaksi perustuu suurelta osin NumPyn syntaksiin, joten jos olet perehtynyt NumPyyn, siirtyminen TensorFlow'n viipalointimekanismiin on suoraviivaista;
Käytä aina tf.Variable()-funktiota kaikissa operaatioissa, jotka vaativat tensorin muokattavuutta.

Yhdistäminen (Concatenating)

Yhdistäminen mahdollistaa useiden tensorien liittämisen yhteen määritellyn akselin mukaan.

Toimintaperiaate:

tf.concat() yhdistää tensorit. Menetelmä vaatii listan tensoreista, jotka haluat yhdistää, sekä akselin, jonka mukaan operaatio suoritetaan;
Akseli on nollapohjainen. Akseli 0 viittaa riveihin (pystysuunnassa) ja akseli 1 viittaa sarakkeisiin (vaakasuunnassa).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Huomio

Varmista, että yhdistettävillä tensoreilla on yhteensopivat dimensiot muilla kuin yhdistettävillä akseleilla;
Tämä operaatio muistuttaa numpy.concatenate()-funktiota, mutta on suunniteltu erityisesti TensorFlow-tensoreille.

Tehtävä

Swipe to start coding

Taustatiedot

Työskentelet aineiston parissa, joka koostuu eri maantieteellisissä sijainneissa olevien antureiden mittauksista. Nämä anturit tallentavat säähän liittyviä tietoja, kuten lämpötilaa, ilmanpainetta ja normalisoituja maantieteellisiä koordinaatteja.

Kuitenkin havaitsit, että osa tiedoista on tallennettu virheellisesti.

Lisäksi olet saanut uusia mittauksia muilta antureilta, jotka tulee sisällyttää aineistoon.

Aineiston tiedot

main_dataset: Tenso, jonka muoto on (6, 4) ja joka sisältää 6 mittausta. Jokainen rivi on näyte, ja sarakkeet kuvaavat seuraavia ominaisuuksia:
- Lämpötila (Celsiusasteina);
- Ilmanpaine (hPa);
- Normalisoitu leveysasteen koordinaatti;
- Normalisoitu pituusasteen koordinaatti.
error_correction_data: Tenso, jonka muoto on (2, 4) ja joka sisältää 2 korjattua mittausta virheellisten tietojen tilalle pääaineistossa.
additional_data: Tenso, jonka muoto on (3, 4) ja joka sisältää 3 uutta mittausta.

Tavoite

Valmistele korjattu ja täydellinen aineisto sääennustetta varten:

Tietojen korjaus:
- Havaitsit, että main_dataset-tietojoukon 2. ja 5. rivin mittaukset olivat virheellisiä. Korvaa nämä rivit main_dataset-tietojoukossa error_correction_data-tietojoukon riveillä.
Lisätietojen sisällyttäminen:
- Yhdistä main_dataset ja additional_data lisäämällä uudet mittaukset aineistoon.
Erien uudelleenmuotoilu:
- Eräopetusta varten haluat jakaa aineiston eriin, joissa on 3 mittausta per erä. Muotoile complete_dataset siten, että ensimmäinen ulottuvuus kuvaa eräkokoa ja toinen ulottuvuus mittausten määrää per erä.

Ratkaisu

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 11

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Suggested prompts:

Can you explain more about how tf.reshape() works?

What happens if I try to reshape a tensor to an incompatible shape?

Can you give more examples of slicing and modifying tensors?

Awesome!

Completion rate improved to 5.56

Pyyhkäise näyttääksesi valikon

Tensorimuunnokset

Tässä luvussa käsitellään tensorien muuntamisen edistyneitä operaatioita.

Tensorien uudelleenmuotoilu

Tensorien kanssa työskennellessä on tilanteita, joissa täytyy muuttaa muotoa muuttamatta taustalla olevaa dataa. tf.reshape() on hyödyllinen tällaisissa tilanteissa.

Toimintaperiaate:

Uudelleenmuotoilu muuttaa tensorin rakennetta, mutta ei sen dataa. Alkioiden kokonaismäärän ennen ja jälkeen uudelleenmuotoilun täytyy pysyä samana;
Operaatio täyttää uuden muodon riveittäin (vasemmalta oikealle, ylhäältä alas).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Huomio

Kun määrität uuden muodon, yksi ulottuvuus voi olla -1. TensorFlow laskee tämän ulottuvuuden koon niin, että kokonaiskoko pysyy samana.

Tämä on erityisen hyödyllistä, kun haluat syöttää tensoreita neuroverkkoon, mutta ulottuvuudet eivät vastaa verkon syötteen muotoa.

Viipalointi

Viipalointi auttaa hakemaan osan tensorista. Se on verrattavissa Pythonin listojen viipalointiin, mutta laajennettuna moniulotteisille tensoreille.

Toimintaperiaate:

tf.slice() poimii viipaleen tensorista. Se vaatii viipaleen aloitusindeksin ja viipaleen koon;
Jos koko on -1, se tarkoittaa kaikkia alkioita kyseisessä ulottuvuudessa.


              12345678910111213
            
import tensorflow as tf

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

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Huomio

Datan muokkaaminen

On olemassa toinen viipalointitapa, joka mahdollistaa myös alkuperäisen datan muokkaamisen, vastaavasti kuin NumPyn taulukoiden viipalointi.

Toimintaperiaate:

Käyttämällä [] voit helposti viipaloida ja indeksoida tensoreita, samoin kuin NumPyssa. Tällä tavalla voit valita tiettyjä rivejä, sarakkeita tai tensorin alkioita;
Kun käytät tf.Variable(), tensorista tulee muokattava, jolloin voit tehdä suoria muutoksia viipaloinnin avulla;
Muokataksesi valitun alatensorin arvoja, käytä .assign()-metodia tensorilla tai listalla, jonka muoto vastaa alatensorin muotoa.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Huomio

TensorFlow:n viipalointisyntaksi perustuu suurelta osin NumPyn syntaksiin, joten jos olet perehtynyt NumPyyn, siirtyminen TensorFlow'n viipalointimekanismiin on suoraviivaista;
Käytä aina tf.Variable()-funktiota kaikissa operaatioissa, jotka vaativat tensorin muokattavuutta.

Yhdistäminen (Concatenating)

Yhdistäminen mahdollistaa useiden tensorien liittämisen yhteen määritellyn akselin mukaan.

Toimintaperiaate:

tf.concat() yhdistää tensorit. Menetelmä vaatii listan tensoreista, jotka haluat yhdistää, sekä akselin, jonka mukaan operaatio suoritetaan;
Akseli on nollapohjainen. Akseli 0 viittaa riveihin (pystysuunnassa) ja akseli 1 viittaa sarakkeisiin (vaakasuunnassa).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Huomio

Varmista, että yhdistettävillä tensoreilla on yhteensopivat dimensiot muilla kuin yhdistettävillä akseleilla;
Tämä operaatio muistuttaa numpy.concatenate()-funktiota, mutta on suunniteltu erityisesti TensorFlow-tensoreille.

Tehtävä

Swipe to start coding

Taustatiedot

Kuitenkin havaitsit, että osa tiedoista on tallennettu virheellisesti.

Lisäksi olet saanut uusia mittauksia muilta antureilta, jotka tulee sisällyttää aineistoon.

Aineiston tiedot

main_dataset: Tenso, jonka muoto on (6, 4) ja joka sisältää 6 mittausta. Jokainen rivi on näyte, ja sarakkeet kuvaavat seuraavia ominaisuuksia:
- Lämpötila (Celsiusasteina);
- Ilmanpaine (hPa);
- Normalisoitu leveysasteen koordinaatti;
- Normalisoitu pituusasteen koordinaatti.
error_correction_data: Tenso, jonka muoto on (2, 4) ja joka sisältää 2 korjattua mittausta virheellisten tietojen tilalle pääaineistossa.
additional_data: Tenso, jonka muoto on (3, 4) ja joka sisältää 3 uutta mittausta.

Tavoite

Valmistele korjattu ja täydellinen aineisto sääennustetta varten:

Tietojen korjaus:
- Havaitsit, että main_dataset-tietojoukon 2. ja 5. rivin mittaukset olivat virheellisiä. Korvaa nämä rivit main_dataset-tietojoukossa error_correction_data-tietojoukon riveillä.
Lisätietojen sisällyttäminen:
- Yhdistä main_dataset ja additional_data lisäämällä uudet mittaukset aineistoon.
Erien uudelleenmuotoilu:
- Eräopetusta varten haluat jakaa aineiston eriin, joissa on 3 mittausta per erä. Muotoile complete_dataset siten, että ensimmäinen ulottuvuus kuvaa eräkokoa ja toinen ulottuvuus mittausten määrää per erä.

Ratkaisu

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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 11

single

Muunnokset

Tensorimuunnokset

Tensorien uudelleenmuotoilu

Viipalointi

Datan muokkaaminen

Yhdistäminen (Concatenating)

Taustatiedot

Aineiston tiedot

Tavoite

Ratkaisu

Awesome!

Muunnokset

Tensorimuunnokset

Tensorien uudelleenmuotoilu

Viipalointi

Datan muokkaaminen

Yhdistäminen (Concatenating)

Taustatiedot

Aineiston tiedot

Tavoite

Ratkaisu