Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Introduksjon til Tensorer | Tensores
Introduksjon til TensorFlow

bookIntroduksjon til Tensorer

Introduksjon til Tensors

Denne delen gir en grundig gjennomgang av Tensors, de grunnleggende komponentene i TensorFlow. Tensors er sentrale i arbeidsflyter for maskinlæring og dyp læring. Dette kapittelet vil utforske deres betydning og bruksområder.

Hva er Tensors?

Tensors kan betraktes som flerdimensjonale matriser. Se for deg at de er databeholdere som lagrer verdier i et strukturert, N-dimensjonalt format. Du kan tenke på dem som byggeklosser: hver for seg kan de virke enkle, men sammen kan de danne komplekse strukturer.

Typer av Tensors

Du har faktisk møtt tensors før, spesielt hvis du har brukt NumPy- og Pandas-bibliotekene:

  • Skalare: kun et enkelt tall. Dette er en 0-dimensjonal tensor. Eksempel: 5;
  • Vektorer: en matrise av tall. Dette er en 1-dimensjonal tensor. Eksempel: [1, 2, 3];
  • Matriser: en 2-dimensjonal tensor. Tenk på det som et rutenett av tall. Eksempel:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D Tensors: hvis du stabler matriser, får du 3D-tensors;
Note
Merk

The 3D Tensor shown in the animation above can be represented as:

[[[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]]]

Hver linje tilsvarer en individuell matrise (2D Tensor).

  • Høyere dimensjoner: og du kan fortsette å stable for enda høyere dimensjoner.

Overgangen fra lavere til høyere dimensjonale tensorer kan virke som et sprang, men det er en naturlig progresjon når man arbeider med datastrukturer. Jo dypere du går inn i nevrale nettverksarkitekturer, spesielt konvolusjonsnevrale nettverk (CNN) eller rekurrente nevrale nettverk (RNN), desto oftere vil du møte disse. Kompleksiteten øker, men husk at i bunn og grunn er de bare databeholdere.

Betydning i dyp læring

Fokuset på tensorer i dyp læring skyldes deres enhetlighet og effektivitet. De gir en konsistent struktur som gjør det mulig å utføre matematiske operasjoner sømløst, spesielt på GPU-er. Ved håndtering av ulike dataformer i nevrale nettverk, som bilder eller lyd, forenkler tensorer datarepresentasjonen og sikrer at form, hierarki og rekkefølge opprettholdes.

Grunnleggende tensoropprettelse

Det finnes mange måter å opprette en tensor på i TensorFlow, fra å generere tilfeldige eller strukturerte data til å importere data fra et forhåndsdefinert datasett eller til og med en fil. For nå fokuseres det imidlertid på den mest grunnleggende metoden – å opprette en tensor fra en Python-liste.

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)
copy
Oppgave

Swipe to start coding

Du skal konstruere tensorer med dimensjoner på 1, 2 og 3. Du kan fylle dem med hvilke som helst verdier du ønsker, men sørg for at du opprettholder det angitte antallet dimensjoner. Se eksempelet som ble gitt tidligere, og hvis du er usikker, kan du konsultere tipset.

Merk

Alle underlister i en tensor må ha samme lengde. For eksempel, hvis en undertensor i en 2D-tensor har lengde 3, må alle andre undertensorer også ha denne lengden. [[1, 2], [1, 2]] er en gyldig tensor, mens [[1, 2], [1, 2, 3]] ikke er det.

Løsning

Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 2
single

single

Spør AI

expand

Spør AI

ChatGPT

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

Suggested prompts:

What are some real-world examples where higher-dimensional tensors are used?

Can you explain the difference between tensors and regular arrays?

How do tensors help improve performance in deep learning?

close

Awesome!

Completion rate improved to 5.56

bookIntroduksjon til Tensorer

Sveip for å vise menyen

Introduksjon til Tensors

Denne delen gir en grundig gjennomgang av Tensors, de grunnleggende komponentene i TensorFlow. Tensors er sentrale i arbeidsflyter for maskinlæring og dyp læring. Dette kapittelet vil utforske deres betydning og bruksområder.

Hva er Tensors?

Tensors kan betraktes som flerdimensjonale matriser. Se for deg at de er databeholdere som lagrer verdier i et strukturert, N-dimensjonalt format. Du kan tenke på dem som byggeklosser: hver for seg kan de virke enkle, men sammen kan de danne komplekse strukturer.

Typer av Tensors

Du har faktisk møtt tensors før, spesielt hvis du har brukt NumPy- og Pandas-bibliotekene:

  • Skalare: kun et enkelt tall. Dette er en 0-dimensjonal tensor. Eksempel: 5;
  • Vektorer: en matrise av tall. Dette er en 1-dimensjonal tensor. Eksempel: [1, 2, 3];
  • Matriser: en 2-dimensjonal tensor. Tenk på det som et rutenett av tall. Eksempel:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D Tensors: hvis du stabler matriser, får du 3D-tensors;
Note
Merk

The 3D Tensor shown in the animation above can be represented as:

[[[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]]]

Hver linje tilsvarer en individuell matrise (2D Tensor).

  • Høyere dimensjoner: og du kan fortsette å stable for enda høyere dimensjoner.

Overgangen fra lavere til høyere dimensjonale tensorer kan virke som et sprang, men det er en naturlig progresjon når man arbeider med datastrukturer. Jo dypere du går inn i nevrale nettverksarkitekturer, spesielt konvolusjonsnevrale nettverk (CNN) eller rekurrente nevrale nettverk (RNN), desto oftere vil du møte disse. Kompleksiteten øker, men husk at i bunn og grunn er de bare databeholdere.

Betydning i dyp læring

Fokuset på tensorer i dyp læring skyldes deres enhetlighet og effektivitet. De gir en konsistent struktur som gjør det mulig å utføre matematiske operasjoner sømløst, spesielt på GPU-er. Ved håndtering av ulike dataformer i nevrale nettverk, som bilder eller lyd, forenkler tensorer datarepresentasjonen og sikrer at form, hierarki og rekkefølge opprettholdes.

Grunnleggende tensoropprettelse

Det finnes mange måter å opprette en tensor på i TensorFlow, fra å generere tilfeldige eller strukturerte data til å importere data fra et forhåndsdefinert datasett eller til og med en fil. For nå fokuseres det imidlertid på den mest grunnleggende metoden – å opprette en tensor fra en Python-liste.

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)
copy
Oppgave

Swipe to start coding

Du skal konstruere tensorer med dimensjoner på 1, 2 og 3. Du kan fylle dem med hvilke som helst verdier du ønsker, men sørg for at du opprettholder det angitte antallet dimensjoner. Se eksempelet som ble gitt tidligere, og hvis du er usikker, kan du konsultere tipset.

Merk

Alle underlister i en tensor må ha samme lengde. For eksempel, hvis en undertensor i en 2D-tensor har lengde 3, må alle andre undertensorer også ha denne lengden. [[1, 2], [1, 2]] er en gyldig tensor, mens [[1, 2], [1, 2, 3]] ikke er det.

Løsning

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 2
single

single

some-alt