Oppiskele Tensorin Ominaisuudet

Osio 1. Luku 3

single

Pyyhkäise näyttääksesi valikon

Tensoreilla on erityisiä ominaisuuksia, jotka määrittävät niiden rakenteen sekä tavan käsitellä ja tallentaa dataa.

Rakenneaste (Rank): ilmaisee ulottuvuuksien lukumäärän tensorissa. Esimerkiksi matriisilla rakenneaste on 2. Tensorin rakenneasteen voi tarkistaa .ndim-attribuutilla:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Huomio

Python-listojen määrittely on jaettu usealle riville selkeämmän luettavuuden vuoksi. Yhdistäminen yhdelle riville osoittaa, että toiminnallisuus säilyy samana.

Shape: kuvaa arvojen määrää jokaisessa ulottuvuudessa. 2x3-matriisilla on muoto (2, 3). Shape-parametrin pituus vastaa tensorin rankia (sen ulottuvuuksien lukumäärää). Tensorin muodon saa selville .shape-attribuutilla:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Huomio

Tensoreiden muotojen ja arvoasteiden (rank) oikeellisuus on olennaista syväoppimisessa. Ulottuvuuksien yhteensopimattomuudet ovat yleisiä sudenkuoppia, erityisesti rakennettaessa monimutkaisia malleja TensorFlow'lla.

Tyypit: tensorit voivat olla useaa eri tietotyyppiä. Vaikka tyyppejä on monia, yleisimpiä ovat float32, int32 ja string. Käsittelemme tensorien tietotyyppejä tarkemmin tulevissa luvuissa. Tietotyypin voi tarkistaa tensorin .dtype-attribuutilla:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Huomio

Tensoriaineiston tietotyyppi määräytyy sisällön perusteella. On olennaista, että kaikki tensorin alkiot ovat samaa tyyppiä.

Akselit: akselit auttavat navigoimaan tensorin ulottuvuuksissa. Määrittämällä akselin voidaan osoittaa tietty kerros tai suunta tensorissa, mikä helpottaa datan käsittelyä ja ymmärtämistä. Akselit vastaavat suoraan muodon dimensioita. Jokainen akseli vastaa tiettyä muotoarvoa, missä 0. akseli vastaa ensimmäistä muotoarvoa, 1. akseli toista ja niin edelleen.

Tehtävä

Swipe to start coding

Tässä tehtävässä sinulle annetaan kaksi tensoria. Ensimmäinen tensori on jo luotu valmiiksi; tehtävänäsi on näyttää sen ominaisuudet hyödyntämällä tensorin olennaisia attribuutteja. Toinen tensori tulee luoda itse seuraavien määrittelyjen mukaisesti:

Rakenne (rank): 3.
Muoto (shape): (2, 4, 3).
Datan tyyppi: float.

Toimi seuraavasti:

Hae ensimmäisen tensorin ominaisuudet.
Rakenna tensori, joka täyttää annetut kriteerit.

Ratkaisu

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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 3

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme