Tensor-egenskaper

Tensores har distinkte egenskaper som bestemmer deres struktur og hvordan de behandler og lagrer data.

Rang: angir antall dimensjoner som finnes i tensoren. For eksempel har en matrise en rang på 2. Du kan hente rangen til en tensor ved å bruke attributtet .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}')

Merk

Definisjonen av Python-lister er strukturert over flere linjer for bedre lesbarhet. Å skrive det på én linje vil vise at det fungerer på samme måte.

Shape: dette beskriver hvor mange verdier som finnes i hver dimensjon. En 2x3-matrise har en shape på (2, 3). Lengden på shape-parameteren samsvarer med tensorens rang (antall dimensjoner). Du kan hente formen til en tensor med .shape-attributtet:


              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}')

Merk

Å ha riktige tensorformer og -ranger er avgjørende i dyp læring. Dimensjonsfeil er vanlige fallgruver, spesielt når man bygger komplekse modeller i TensorFlow.

Typer: tensorer finnes i ulike datatyper. Selv om det finnes mange, er noen vanlige float32, int32 og string. Vi vil gå dypere inn i tensor-datatyper i kommende kapitler. Du kan hente datatypen til en tensor med attributtet .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}')

Merk

Datatypen til en tensor bestemmes av innholdet den inneholder. Det er avgjørende at alle elementene i tensoren er av samme type.

Akser: Akser hjelper oss å navigere gjennom dimensjonene til tensorer. Ved å spesifisere en akse kan du peke ut et bestemt lag eller en retning i tensoren, noe som gjør det enklere å behandle og forstå dataene. Akser tilsvarer direkte formdimensjoner. Hver akse tilsvarer en spesifikk formverdi, der 0. akse samsvarer med den første formverdien, 1. akse med den andre, og så videre.

Oppgave

Swipe to start coding

I denne oppgaven får du to tensorer. Den første tensoren er allerede opprettet for deg; din oppgave er å vise dens egenskaper ved å bruke relevante tensorattributter. For den andre tensoren må du konstruere den selv med følgende spesifikasjoner:

Rang: 3.
Form: (2, 4, 3).
Datatype: float.

Dine steg er:

Hent egenskapene til den første tensoren.
Konstruer en tensor som oppfyller de angitte kriteriene.

Løsning

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 3

single

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

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

Sveip for å vise menyen

Tensor-egenskaper

Tensores har distinkte egenskaper som bestemmer deres struktur og hvordan de behandler og lagrer data.

Rang: angir antall dimensjoner som finnes i tensoren. For eksempel har en matrise en rang på 2. Du kan hente rangen til en tensor ved å bruke attributtet .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}')

Merk

Definisjonen av Python-lister er strukturert over flere linjer for bedre lesbarhet. Å skrive det på én linje vil vise at det fungerer på samme måte.

Shape: dette beskriver hvor mange verdier som finnes i hver dimensjon. En 2x3-matrise har en shape på (2, 3). Lengden på shape-parameteren samsvarer med tensorens rang (antall dimensjoner). Du kan hente formen til en tensor med .shape-attributtet:


              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}')

Merk

Å ha riktige tensorformer og -ranger er avgjørende i dyp læring. Dimensjonsfeil er vanlige fallgruver, spesielt når man bygger komplekse modeller i TensorFlow.

Typer: tensorer finnes i ulike datatyper. Selv om det finnes mange, er noen vanlige float32, int32 og string. Vi vil gå dypere inn i tensor-datatyper i kommende kapitler. Du kan hente datatypen til en tensor med attributtet .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}')

Merk

Datatypen til en tensor bestemmes av innholdet den inneholder. Det er avgjørende at alle elementene i tensoren er av samme type.

Akser: Akser hjelper oss å navigere gjennom dimensjonene til tensorer. Ved å spesifisere en akse kan du peke ut et bestemt lag eller en retning i tensoren, noe som gjør det enklere å behandle og forstå dataene. Akser tilsvarer direkte formdimensjoner. Hver akse tilsvarer en spesifikk formverdi, der 0. akse samsvarer med den første formverdien, 1. akse med den andre, og så videre.

Oppgave

Swipe to start coding

Rang: 3.
Form: (2, 4, 3).
Datatype: float.

Dine steg er:

Hent egenskapene til den første tensoren.
Konstruer en tensor som oppfyller de angitte kriteriene.

Løsning

Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 3

single

Tensorers Egenskaper

Tensor-egenskaper

Løsning

Awesome!

Tensorers Egenskaper

Tensor-egenskaper

Løsning