Propriétés des Tenseurs
Propriétés des tenseurs
Les tenseurs possèdent des propriétés distinctes qui déterminent leur structure ainsi que la manière dont ils traitent et stockent les données.
- Rang : indique le nombre de dimensions présentes dans le tenseur. Par exemple, une matrice a un rang de 2. Il est possible d'obtenir le rang du tenseur à l'aide de l'attribut
.ndim:
1234567891011121314151617import 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}')
La définition des listes Python est structurée sur plusieurs lignes pour une meilleure lisibilité. La condenser en une seule ligne montrera qu'elle fonctionne de la même manière.
- Shape : décrit le nombre de valeurs présentes dans chaque dimension. Une matrice 2x3 a une forme
(2, 3). La longueur du paramètre shape correspond au rang du tenseur (son nombre de dimensions). Il est possible d'obtenir la forme du tenseur via l'attribut.shape:
123456789101112131415161718import 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}')
Obtenir les formes et les rangs des tenseurs correctement est essentiel en apprentissage profond. Les incompatibilités de dimensions sont des pièges courants, en particulier lors de la construction de modèles complexes avec TensorFlow.
- Types : les tenseurs existent sous différents types de données. Bien qu'il en existe de nombreux, certains courants incluent
float32,int32etstring. Nous approfondirons les types de données des tenseurs dans les prochains chapitres. Vous pouvez obtenir le type de données d'un tenseur grâce à l'attribut.dtype:
1234567891011import 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}')
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 permettent de naviguer à travers les dimensions des tenseurs. En spécifiant un axe, il est possible d’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 0e axe aligné sur la première valeur de forme, le 1er axe sur la deuxième, et ainsi de suite.
Swipe to start coding
Dans cette tâche, vous disposez de deux tenseurs. Le premier tenseur est déjà créé pour vous ; votre tâche consiste à afficher ses propriétés en utilisant les attributs pertinents du tenseur. Pour le second tenseur, vous devrez le construire vous-même selon les spécifications suivantes :
- Rang :
3. - Forme :
(2, 4, 3). - Type de données :
float.
Ainsi, vos étapes sont les suivantes :
- Récupérer les propriétés du premier tenseur.
- Construire un tenseur répondant aux critères spécifiés.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 5.56Propriétés des Tenseurs
Glissez pour afficher le menu
Propriétés des tenseurs
Les tenseurs possèdent des propriétés distinctes qui déterminent leur structure ainsi que la manière dont ils traitent et stockent les données.
- Rang : indique le nombre de dimensions présentes dans le tenseur. Par exemple, une matrice a un rang de 2. Il est possible d'obtenir le rang du tenseur à l'aide de l'attribut
.ndim:
1234567891011121314151617import 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}')
La définition des listes Python est structurée sur plusieurs lignes pour une meilleure lisibilité. La condenser en une seule ligne montrera qu'elle fonctionne de la même manière.
- Shape : décrit le nombre de valeurs présentes dans chaque dimension. Une matrice 2x3 a une forme
(2, 3). La longueur du paramètre shape correspond au rang du tenseur (son nombre de dimensions). Il est possible d'obtenir la forme du tenseur via l'attribut.shape:
123456789101112131415161718import 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}')
Obtenir les formes et les rangs des tenseurs correctement est essentiel en apprentissage profond. Les incompatibilités de dimensions sont des pièges courants, en particulier lors de la construction de modèles complexes avec TensorFlow.
- Types : les tenseurs existent sous différents types de données. Bien qu'il en existe de nombreux, certains courants incluent
float32,int32etstring. Nous approfondirons les types de données des tenseurs dans les prochains chapitres. Vous pouvez obtenir le type de données d'un tenseur grâce à l'attribut.dtype:
1234567891011import 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}')
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 permettent de naviguer à travers les dimensions des tenseurs. En spécifiant un axe, il est possible d’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 0e axe aligné sur la première valeur de forme, le 1er axe sur la deuxième, et ainsi de suite.
Swipe to start coding
Dans cette tâche, vous disposez de deux tenseurs. Le premier tenseur est déjà créé pour vous ; votre tâche consiste à afficher ses propriétés en utilisant les attributs pertinents du tenseur. Pour le second tenseur, vous devrez le construire vous-même selon les spécifications suivantes :
- Rang :
3. - Forme :
(2, 4, 3). - Type de données :
float.
Ainsi, vos étapes sont les suivantes :
- Récupérer les propriétés du premier tenseur.
- Construire un tenseur répondant aux critères spécifiés.
Solution
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
single
