Lineaarialgebran operaatiot

TensorFlow tarjoaa joukon funktioita, jotka on omistettu lineaarialgebran operaatioille, mikä tekee matriisioperaatioista suoraviivaisia.

Matriisikertolasku

Tässä lyhyt muistutus siitä, miten matriisikertolasku toimii.

Matriisikertolaskuun on kaksi vastaavaa lähestymistapaa:

tf.matmul()-funktio;
@-operaattorin käyttö.


              1234567891011121314
            
import tensorflow as tf

# Create two matrices
matrix1 = tf.constant([[1, 2], [3, 4], [2, 1]])
matrix2 = tf.constant([[2, 0, 2, 5], [2, 2, 1, 3]])

# Multiply the matrices
product1 = tf.matmul(matrix1, matrix2)
product2 = matrix1 @ matrix2

# Display tensors
print(product1)
print('-' * 50)
print(product2)

Huomautus

Kertomalla matriisit, joiden koko on 3x2 ja 2x4, saadaan matriisi, jonka koko on 3x4.

Matriisin käänteismatriisi

Matriisin käänteismatriisin voi laskea tf.linalg.inv()-funktiolla. Tarkastellaan lisäksi käänteismatriisin perustavanlaatuista ominaisuutta.


              123456789101112131415
            
import tensorflow as tf

# Create 2x2 matrix
matrix = tf.constant([[1., 2.], [3., 4.]])

# Compute the inverse of a matrix
inverse_mat = tf.linalg.inv(matrix)

# Check the result
identity = matrix @ inverse_mat

# Display tensors
print(inverse_mat)
print('-' * 50)
print(identity)

Huomio

Matriisin kertominen sen käänteismatriisilla tuottaa yksikkömatriisin, jossa päädiagonaalilla on ykkösiä ja muualla nollia. Lisäksi tf.linalg-moduuli tarjoaa laajan valikoiman lineaarialgebran funktioita. Lisätietoja ja edistyneempiä operaatioita varten kannattaa tutustua sen viralliseen dokumentaatioon.

Transponointi

Transponoidun matriisin saa käyttämällä funktiota tf.transpose().


              123456789101112
            
import tensorflow as tf

# Create a matrix 3x2
matrix = tf.constant([[1, 2], [3, 4], [2, 1]])

# Get the transpose of a matrix
transposed = tf.transpose(matrix)

# Display tensors
print(matrix)
print('-' * 40)
print(transposed)

Pistetulo

Pistetulo voidaan laskea käyttämällä tf.tensordot()-funktiota. Määrittämällä axes-parametrin voidaan valita, minkä akselien mukaan pistetulo lasketaan. Esimerkiksi kahdelle vektorille asettamalla axes=1 saadaan klassinen vektorien pistetulo. Kun taas asettamalla axes=0 saadaan laajennettu matriisi akselin 0 mukaan:


              1234567891011121314
            
import tensorflow as tf

# Create two vectors
matrix1 = tf.constant([1, 2, 3, 4])
matrix2 = tf.constant([2, 0, 2, 5])

# Compute the dot product of two tensors
dot_product_axes1 = tf.tensordot(matrix1, matrix2, axes=1)
dot_product_axes0 = tf.tensordot(matrix1, matrix2, axes=0)

# Display tensors
print(dot_product_axes1)
print('-' * 40)
print(dot_product_axes0)

Huomio

Jos otat kaksi matriisia, joilla on sopivat mitat (NxM @ MxK, missä NxM kuvaa ensimmäisen matriisin mittoja ja MxK toisen), ja lasket pistetulon pitkin axes=1, suoritat käytännössä matriisikertolaskun.

Tehtävä

Swipe to start coding

Taustatiedot

Lineaaristen yhtälöiden järjestelmä voidaan esittää matriisimuodossa seuraavasti:

AX = B

Missä:

A on kertoimien matriisi;
X on muuttujien pylväsmatriisi;
B on pylväsmatriisi, joka edustaa yhtälöiden oikean puolen arvoja.

Tämän järjestelmän ratkaisu voidaan löytää kaavalla:

X = A^-1 B

Missä A^-1 on matriisin A käänteismatriisi.

Tavoite

Annetun lineaaristen yhtälöiden järjestelmän avulla ratkaise se TensorFlow'n avulla. Sinulle annetaan seuraava lineaaristen yhtälöiden järjestelmä:

2x + 3y - z = 1.
4x + y + 2z = 2.
-x + 2y + 3z = 3.

Esitä yhtälöiden järjestelmä matriisimuodossa (erottele matriisit A ja B).
Etsi TensorFlow'n avulla matriisin A käänteismatriisi.
Kerro matriisin A käänteismatriisi matriisilla B saadaksesi ratkaisumatriisin X, joka sisältää muuttujien x, y ja z arvot.

Huom

Leikkaaminen TensorFlow'ssa toimii samalla tavalla kuin NumPyssa. Näin ollen X[:, 0] hakee kaikki alkiot sarakkeesta, jonka indeksi on 0. Palaamme leikkaamiseen myöhemmin kurssilla.

Ratkaisu

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 2

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 6.25

Pyyhkäise näyttääksesi valikon

Lineaarialgebran operaatiot

TensorFlow tarjoaa joukon funktioita, jotka on omistettu lineaarialgebran operaatioille, mikä tekee matriisioperaatioista suoraviivaisia.

Matriisikertolasku

Tässä lyhyt muistutus siitä, miten matriisikertolasku toimii.

Matriisikertolaskuun on kaksi vastaavaa lähestymistapaa:

tf.matmul()-funktio;
@-operaattorin käyttö.


              1234567891011121314
            
import tensorflow as tf

# Create two matrices
matrix1 = tf.constant([[1, 2], [3, 4], [2, 1]])
matrix2 = tf.constant([[2, 0, 2, 5], [2, 2, 1, 3]])

# Multiply the matrices
product1 = tf.matmul(matrix1, matrix2)
product2 = matrix1 @ matrix2

# Display tensors
print(product1)
print('-' * 50)
print(product2)

Huomautus

Kertomalla matriisit, joiden koko on 3x2 ja 2x4, saadaan matriisi, jonka koko on 3x4.

Matriisin käänteismatriisi

Matriisin käänteismatriisin voi laskea tf.linalg.inv()-funktiolla. Tarkastellaan lisäksi käänteismatriisin perustavanlaatuista ominaisuutta.


              123456789101112131415
            
import tensorflow as tf

# Create 2x2 matrix
matrix = tf.constant([[1., 2.], [3., 4.]])

# Compute the inverse of a matrix
inverse_mat = tf.linalg.inv(matrix)

# Check the result
identity = matrix @ inverse_mat

# Display tensors
print(inverse_mat)
print('-' * 50)
print(identity)

Huomio

Transponointi

Transponoidun matriisin saa käyttämällä funktiota tf.transpose().


              123456789101112
            
import tensorflow as tf

# Create a matrix 3x2
matrix = tf.constant([[1, 2], [3, 4], [2, 1]])

# Get the transpose of a matrix
transposed = tf.transpose(matrix)

# Display tensors
print(matrix)
print('-' * 40)
print(transposed)

Pistetulo


              1234567891011121314
            
import tensorflow as tf

# Create two vectors
matrix1 = tf.constant([1, 2, 3, 4])
matrix2 = tf.constant([2, 0, 2, 5])

# Compute the dot product of two tensors
dot_product_axes1 = tf.tensordot(matrix1, matrix2, axes=1)
dot_product_axes0 = tf.tensordot(matrix1, matrix2, axes=0)

# Display tensors
print(dot_product_axes1)
print('-' * 40)
print(dot_product_axes0)

Huomio

Tehtävä

Swipe to start coding

Taustatiedot

Lineaaristen yhtälöiden järjestelmä voidaan esittää matriisimuodossa seuraavasti:

AX = B

Missä:

A on kertoimien matriisi;
X on muuttujien pylväsmatriisi;
B on pylväsmatriisi, joka edustaa yhtälöiden oikean puolen arvoja.

Tämän järjestelmän ratkaisu voidaan löytää kaavalla:

X = A^-1 B

Missä A^-1 on matriisin A käänteismatriisi.

Tavoite

Annetun lineaaristen yhtälöiden järjestelmän avulla ratkaise se TensorFlow'n avulla. Sinulle annetaan seuraava lineaaristen yhtälöiden järjestelmä:

2x + 3y - z = 1.
4x + y + 2z = 2.
-x + 2y + 3z = 3.

Esitä yhtälöiden järjestelmä matriisimuodossa (erottele matriisit A ja B).
Etsi TensorFlow'n avulla matriisin A käänteismatriisi.
Kerro matriisin A käänteismatriisi matriisilla B saadaksesi ratkaisumatriisin X, joka sisältää muuttujien x, y ja z arvot.

Huom

Leikkaaminen TensorFlow'ssa toimii samalla tavalla kuin NumPyssa. Näin ollen X[:, 0] hakee kaikki alkiot sarakkeesta, jonka indeksi on 0. Palaamme leikkaamiseen myöhemmin kurssilla.

Ratkaisu

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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 2. Luku 2

single