Contenu du cours

Introduction à TensorFlow

1. Tenseurs

Bienvenue à TensorFlow Introduction aux Tenseurs Propriétés des Tenseurs Applications des Tenseurs Lots Création de Tenseurs Types de Données Opérations de Base : Arithmétique Opérations de Base : Algèbre Linéaire Défi : Créer une Couche de Réseau Neuronal Transformations Opérations de Réduction Quiz : Bases de TensorFlow

2. Notions de Base de TensorFlow

Bande de Gradient Exécution de Graphe Implémentation de Réseau de Neurones Quiz : Conclusion Résumé

Propriétés des Tenseurs

Les tenseurs possèdent des propriétés distinctes qui dictent leur structure et la manière dont ils traitent et stockent les données.

Rang : Il vous indique le nombre de dimensions présentes dans le tenseur. Par exemple, une matrice a un rang de 2. Vous pouvez obtenir le rang du tenseur en utilisant l'attribut .ndim :


              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}')

Remarque

Nous avons structuré la définition des listes Python sur plusieurs lignes pour une meilleure lisibilité. Vous pouvez la condenser en une seule ligne pour voir qu'elle fonctionne de la même manière.

Forme : Cela décrit combien de valeurs existent dans chaque dimension. Une matrice 2x3 a une forme de (2, 3). La longueur du paramètre de forme correspond au rang du tenseur (son nombre de dimensions). Vous pouvez obtenir la forme du tenseur par l'attribut .shape :


              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}')

Remarque

Obtenir les formes et les rangs des tenseurs correctement est crucial en apprentissage profond. Les incompatibilités de dimensions sont des pièges courants, surtout lors de la construction de modèles complexes dans TensorFlow.

Types : Les tenseurs existent en divers types de données. Bien qu'il y en ait beaucoup, certains des plus courants incluent float32, int32 et string. Nous approfondirons les types de données des tenseurs dans les prochains chapitres. Vous pouvez obtenir le type de données du tenseur avec l'attribut .dtype :


              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}')

Remarque

Le type de données d'un tenseur est déterminé par le contenu qu'il contient. Il est essentiel que tous les éléments du tenseur soient du même type.

Axes : Les axes nous aident à naviguer à travers les dimensions des tenseurs. En spécifiant un axe, vous pouvez identifier une couche ou une direction spécifique dans le tenseur, ce qui facilite le traitement et la compréhension des données. Les axes correspondent directement aux dimensions de la forme. Chaque axe correspond à une valeur de forme spécifique, avec le 0ème axe aligné avec la première valeur de forme, le 1er axe avec la deuxième, et ainsi de suite.

Tâche

Swipe to start coding

Dans cette tâche, vous disposez de deux tenseurs. Le premier tenseur est déjà créé pour vous ; votre tâche est de afficher ses propriétés en utilisant les attributs pertinents du tenseur. Pour le deuxième tenseur, vous devrez le construire vous-même avec les spécifications suivantes :

Rang : 3.
Forme : (2, 4, 3).
Type de données : float.

Ainsi, vos étapes sont :

Récupérer les propriétés du premier tenseur.
Construire un tenseur qui répond aux critères spécifiés.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 3

Propriétés des Tenseurs

Les tenseurs possèdent des propriétés distinctes qui dictent leur structure et la manière dont ils traitent et stockent les données.

Rang : Il vous indique le nombre de dimensions présentes dans le tenseur. Par exemple, une matrice a un rang de 2. Vous pouvez obtenir le rang du tenseur en utilisant l'attribut .ndim :


              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}')

Remarque

Nous avons structuré la définition des listes Python sur plusieurs lignes pour une meilleure lisibilité. Vous pouvez la condenser en une seule ligne pour voir qu'elle fonctionne de la même manière.

Forme : Cela décrit combien de valeurs existent dans chaque dimension. Une matrice 2x3 a une forme de (2, 3). La longueur du paramètre de forme correspond au rang du tenseur (son nombre de dimensions). Vous pouvez obtenir la forme du tenseur par l'attribut .shape :


              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}')

Remarque

Obtenir les formes et les rangs des tenseurs correctement est crucial en apprentissage profond. Les incompatibilités de dimensions sont des pièges courants, surtout lors de la construction de modèles complexes dans TensorFlow.

Types : Les tenseurs existent en divers types de données. Bien qu'il y en ait beaucoup, certains des plus courants incluent float32, int32 et string. Nous approfondirons les types de données des tenseurs dans les prochains chapitres. Vous pouvez obtenir le type de données du tenseur avec l'attribut .dtype :


              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}')

Remarque

Le type de données d'un tenseur est déterminé par le contenu qu'il contient. Il est essentiel que tous les éléments du tenseur soient du même type.

Axes : Les axes nous aident à naviguer à travers les dimensions des tenseurs. En spécifiant un axe, vous pouvez identifier une couche ou une direction spécifique dans le tenseur, ce qui facilite le traitement et la compréhension des données. Les axes correspondent directement aux dimensions de la forme. Chaque axe correspond à une valeur de forme spécifique, avec le 0ème axe aligné avec la première valeur de forme, le 1er axe avec la deuxième, et ainsi de suite.

Tâche

Swipe to start coding

Rang : 3.
Forme : (2, 4, 3).
Type de données : float.

Ainsi, vos étapes sont :

Récupérer les propriétés du premier tenseur.
Construire un tenseur qui répond aux critères spécifiés.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 3

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous