Oppiskele Johdanto Tensoreihin

Osio 1. Luku 2

single

Pyyhkäise näyttääksesi valikon

Mitä tensorit ovat?

Tensorit voidaan nähdä moniulotteisina taulukoina. Kuvittele ne datan säiliöinä, jotka sisältävät arvoja rakenteellisessa, N-ulotteisessa muodossa. Voit ajatella niitä rakennuspalikoina: yksittäin ne voivat vaikuttaa yksinkertaisilta, mutta yhdessä ne voivat muodostaa monimutkaisia rakenteita.

Tensorien tyypit

Olet todennäköisesti kohdannut tensoreita aiemmin, erityisesti jos olet käyttänyt NumPy- ja Pandas-kirjastoja:

Scalaarit: vain yksi luku. Tämä on 0-ulotteinen tensori. Esimerkki: 5;
Vektorit: lukujen taulukko. Tämä on 1-ulotteinen tensori. Esimerkki: [1, 2, 3];
Matriisit: 2-ulotteinen tensori. Ajattele sitä lukuruudukoksi. Esimerkki:

[[1, 2]
 [3, 4]
 [5, 6]]

3D-tensorit: kun pinoat matriiseja, saat 3D-tensoreita;

Huomio

Yllä olevassa animaatiossa esitetty 3D-tensori voidaan esittää seuraavasti:

[[[6, 9, 6], [1, 1, 2], [9, 7, 3]],
 [[1, 2, 3], [4, 5, 6], [7, 8, 9]],
 [[5, 6, 3], [5, 3, 5], [8, 8, 2]]]

Jokainen rivi vastaa yksittäistä matriisia (2D-tensoria).

Korkeammat ulottuvuudet: ja voit jatkaa kasaamista vielä korkeampiin ulottuvuuksiin.

Siirtyminen matalamman ulotteisista tensoreista korkeampiin saattaa vaikuttaa suurelta harppaukselta, mutta kyseessä on luonnollinen eteneminen tietorakenteiden käsittelyssä. Mitä syvemmälle neuralverkkoarkkitehtuureihin, erityisesti konvoluutiohermoverkkoihin (CNN) tai toistuvaisiin hermoverkkoihin (RNN), mennään, sitä useammin näitä kohdataan. Monimutkaisuus kasvaa, mutta muista, että pohjimmiltaan ne ovat vain tietosäiliöitä.

Merkitys syväoppimisessa

Tensoreiden korostaminen syväoppimisessa perustuu niiden yhtenäisyyteen ja tehokkuuteen. Ne tarjoavat johdonmukaisen rakenteen, jonka ansiosta matemaattiset operaatiot voidaan suorittaa saumattomasti, erityisesti GPU:illa. Kun neuralverkoissa käsitellään erilaisia datamuotoja, kuten kuvia tai ääntä, tensorit yksinkertaistavat datan esitystä varmistaen muodon, hierarkian ja järjestyksen säilymisen.

Perustason tensorin luominen

Tensorin luomiseen TensorFlow:ssa on useita tapoja, kuten satunnaisen tai rakenteisen datan generointi, datan tuominen ennalta määritellystä tietojoukosta tai jopa tiedostosta. Tässä keskitytään kuitenkin yksinkertaisimpaan tapaan – tensorin luomiseen Python-listasta.


              123456789101112
            
import tensorflow as tf

# Create a 1D tensor
tensor_1D = tf.constant([1, 2, 3])

# Create a 2D tensor
tensor_2D = tf.constant([[1, 2, 3], [4, 5, 6]])

# Display tensor info
print(tensor_1D)
print('-' * 50)
print(tensor_2D)

Tehtävä

Swipe to start coding

Sinun tulee luoda tensoreita, joiden ulottuvuudet ovat 1, 2 ja 3. Voit täyttää ne haluamillasi arvoilla, mutta varmista, että säilytät määritellyn ulottuvuuksien määrän. Katso aiemmin annettua esimerkkiä ja tarvittaessa hyödynnä vihjettä.

Huomio

Kaikkien tensorin alilistojen tulee olla samanpituisia. Esimerkiksi, jos yhden 2D-tensorin alilistan pituus on 3, myös muiden alilistojen tulee olla pituudeltaan 3. Esimerkiksi [[1, 2], [1, 2]] on kelvollinen tensorirakenne, mutta [[1, 2], [1, 2, 3]] ei ole.

Ratkaisu

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

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 2

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme