Tensorimuunnokset

Tämä oppitunti käsittelee tensorien muuntamisen edistyneitä operaatioita.

Tensorimuunnokset ovat olennaisia tietoa käsiteltäessä. Syventyessäsi syväoppimisen ja data-analytiikan tehtäviin, käy ilmi, että data ei aina ole halutussa muodossa. Tässä oppitunnissa esitellään TensorFlow'n menetelmiä, joiden avulla voidaan muokata tensorien rakennetta ja sisältöä vastaamaan erityisiä vaatimuksia.

Tensorien uudelleenmuotoilu

Työskennellessäsi tensorien kanssa, joskus on tarpeen muuttaa muotoa ilman, että itse data muuttuu. 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 mahdollistaa tietyn osan hakemisen tensorista. Se vastaa Pythonin listojen viipalointia, mutta toimii monidimensioisille tensoreille.

Toimintaperiaate:

tf.slice() hakee 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 tietoaineistosta.

Datan muokkaaminen

On olemassa toinen viipalointitapa, joka mahdollistaa alkuperäisen datan muokkaamisen, vastaavasti kuin NumPy-taulukoiden viipalointi.

Toimintaperiaate:

Käyttämällä [] voit helposti viipaloida ja indeksoida tensoreita, samoin kuin NumPy-viipalointi. 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

TensorFlowin viipalointisyntaksi pohjautuu suurelta osin NumPyn vastaavaan, joten jos NumPy on tuttu, TensorFlow'n viipalointimekanismiin siirtyminen on suoraviivaista;
Käytä aina tf.Variable()-funktiota operaatioissa, jotka vaativat tensorin muokattavuutta.

Yhdistäminen (Concatenating)

Yhdistäminen mahdollistaa useiden tensorien liittämisen yhteen tietyn akselin mukaan.

Toimintaperiaate:

tf.concat() yhdistää tensorit. Menetelmä vaatii listan yhdistettävistä tensoreista sekä akselin, jonka mukaan operaatio suoritetaan;
Akseli on nollapohjainen. Akseli 0 viittaa riveihin (pystysuunnassa) ja akseli 1 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 yhdistettävällä akselilla;
Tämä operaatio on samanlainen kuin numpy.concatenate(), mutta suunniteltu TensorFlow-tensoreille.

Tehtävä

Pyyhkäise aloittaaksesi koodauksen

Taustatiedot

Työskentelet main_dataset-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 (Celsius-asteina);
- Ilmanpaine (hPa);
- Normalisoitu leveysasteen koordinaatti;
- Normalisoitu pituusasteen koordinaatti.
(2, 4): Tenso, jonka muoto on additional_data ja joka sisältää 2 korjattua mittausta virheellisten tietojen tilalle pääaineistossa.
(3, 4): Tenso, jonka muoto on main_dataset ja joka sisältää 3 uutta mittausta.

Tavoite

Valmistele korjattu ja täydellinen aineisto sääennustetta varten:

Tietojen korjaus:
- Olet havainnut, että main_dataset-tietojoukon 2. ja 5. rivin mittaukset ovat virheellisiä. Korvaa nämä rivit 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.