Proprietà dei Tensori

I tensori possiedono proprietà distinte che ne determinano la struttura e il modo in cui elaborano e memorizzano i dati.

Rango: indica il numero di dimensioni presenti nel tensore. Ad esempio, una matrice ha un rango pari a 2. È possibile ottenere il rango del tensore utilizzando l'attributo .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}')

Nota

La definizione delle liste Python è strutturata su più righe per maggiore leggibilità. Comprimerla in una sola riga dimostra che funziona allo stesso modo.

Shape: descrive quanti valori esistono in ciascuna dimensione. Una matrice 2x3 ha una shape pari a (2, 3). La lunghezza del parametro shape corrisponde al rango del tensore (il suo numero di dimensioni). È possibile ottenere la shape del tensore tramite l'attributo .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}')

Nota

Ottenere forme e ranghi dei tensori corretti è fondamentale nell'apprendimento profondo. Le discrepanze nelle dimensioni sono insidie comuni, specialmente durante la costruzione di modelli complessi in TensorFlow.

Tipi: i tensori sono disponibili in diversi tipi di dati. Sebbene ce ne siano molti, alcuni tra i più comuni includono float32, int32 e string. Approfondiremo i tipi di dati dei tensori nei prossimi capitoli. È possibile ottenere il tipo di dato del tensore tramite l'attributo .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}')

Nota

Il tipo di dato di un tensore è determinato dal contenuto che contiene. È fondamentale che tutti gli elementi all'interno del tensore siano dello stesso tipo.

Assi: gli assi aiutano a navigare tra le dimensioni dei tensori. Specificando un asse, è possibile individuare uno specifico livello o direzione nel tensore, facilitando l'elaborazione e la comprensione dei dati. Gli assi corrispondono direttamente alle dimensioni della forma. Ogni asse corrisponde a un valore specifico della forma, con l'asse 0 che si allinea al primo valore della forma, l'asse 1 al secondo, e così via.

Compito

Swipe to start coding

In questo esercizio, ti vengono forniti due tensori. Il primo tensore è già stato creato per te; il tuo compito è visualizzare le sue proprietà utilizzando gli attributi rilevanti del tensore. Per il secondo tensore, dovrai costruirlo tu stesso secondo le seguenti specifiche:

Rango: 3.
Forma: (2, 4, 3).
Tipo di dato: float.

Quindi, i tuoi passaggi sono:

Recuperare le proprietà del primo tensore.
Costruire un tensore che soddisfi i criteri specificati.

Soluzione

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 3

single

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Suggested prompts:

Can you explain the difference between rank and shape in more detail?

How do I choose the right data type for my tensor?

Can you give an example of how axes are used in tensor operations?

Awesome!

Completion rate improved to 5.56

Scorri per mostrare il menu

Proprietà dei Tensori

I tensori possiedono proprietà distinte che ne determinano la struttura e il modo in cui elaborano e memorizzano i dati.

Rango: indica il numero di dimensioni presenti nel tensore. Ad esempio, una matrice ha un rango pari a 2. È possibile ottenere il rango del tensore utilizzando l'attributo .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}')

Nota

La definizione delle liste Python è strutturata su più righe per maggiore leggibilità. Comprimerla in una sola riga dimostra che funziona allo stesso modo.

Shape: descrive quanti valori esistono in ciascuna dimensione. Una matrice 2x3 ha una shape pari a (2, 3). La lunghezza del parametro shape corrisponde al rango del tensore (il suo numero di dimensioni). È possibile ottenere la shape del tensore tramite l'attributo .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}')

Nota

Tipi: i tensori sono disponibili in diversi tipi di dati. Sebbene ce ne siano molti, alcuni tra i più comuni includono float32, int32 e string. Approfondiremo i tipi di dati dei tensori nei prossimi capitoli. È possibile ottenere il tipo di dato del tensore tramite l'attributo .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}')

Nota

Il tipo di dato di un tensore è determinato dal contenuto che contiene. È fondamentale che tutti gli elementi all'interno del tensore siano dello stesso tipo.

Assi: gli assi aiutano a navigare tra le dimensioni dei tensori. Specificando un asse, è possibile individuare uno specifico livello o direzione nel tensore, facilitando l'elaborazione e la comprensione dei dati. Gli assi corrispondono direttamente alle dimensioni della forma. Ogni asse corrisponde a un valore specifico della forma, con l'asse 0 che si allinea al primo valore della forma, l'asse 1 al secondo, e così via.

Compito

Swipe to start coding

Rango: 3.
Forma: (2, 4, 3).
Tipo di dato: float.

Quindi, i tuoi passaggi sono:

Recuperare le proprietà del primo tensore.
Costruire un tensore che soddisfi i criteri specificati.

Soluzione

Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 3

single