Introduksjon til tensorer

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

Hva er tensorer?

Tensorer kan betraktes som multidimensjonale matriser. Se for deg at de er databeholdere som inneholder 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 tensorer

Du har faktisk møtt tensorer før, spesielt hvis du har jobbet med NumPy- og Pandas-bibliotekene:

Skalare: bare et enkelt tall. Dette er en 0-dimensjonal tensor. Eksempel: 5;
Vektorer: et array 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-tensorer: hvis du stabler matriser, får du 3D-tensorer;

Merk

3D-tensoren vist i animasjonen ovenfor kan representeres som:

[[[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 rekurrerende nevrale nettverk (RNN), desto oftere vil du møte på 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 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 fokuserer vi imidlertid på den mest direkte 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)

Oppgave

Sveip for å begynne å kode

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 den lengden. [[1, 2], [1, 2]] er en gyldig tensor, mens [[1, 2], [1, 2, 3]] ikke er det.

Løsning

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

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 2

single

Spør AI

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