Reduksjonsoperasjoner

Innenfor tensoroperasjoner finnes det mange oppgaver hvor vi må redusere dimensjonene til dataene våre, enten ved å oppsummere dem over én eller flere akser. For eksempel, hvis vi har en 2D-tensor (en matrise), kan en reduksjonsoperasjon beregne en verdi for hver rad eller hver kolonne, noe som resulterer i en 1D-tensor (en vektor). TensorFlow tilbyr et sett med operasjoner for dette, og i dette kapittelet skal vi utforske de mest brukte reduksjonsoperasjonene.

Sum, Gjennomsnitt, Maksimum og Minimum

TensorFlow tilbyr følgende metoder for disse beregningene:

tf.reduce_sum(): beregner summen av alle elementene i tensoren eller langs en spesifikk akse;
tf.reduce_mean(): kalkulerer gjennomsnittet av elementene i tensoren;
tf.reduce_max(): finner maksimumsverdien i tensoren;
tf.reduce_min(): finner minimumsverdien i tensoren.


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])

# Calculate sum of all elements
total_sum = tf.reduce_sum(tensor)
print("Total Sum:", total_sum.numpy())

# Calculate mean of all elements
mean_val = tf.reduce_mean(tensor)
print("Mean Value:", mean_val.numpy())

# Determine the maximum value
max_val = tf.reduce_max(tensor)
print("Maximum Value:", max_val.numpy())

# Find the minimum value
min_val = tf.reduce_min(tensor)
print("Minimum Value:", min_val.numpy())

Merk

Metoden .numpy() ble brukt for å konvertere tensorene til NumPy-arrays, noe som gir en tydeligere visuell fremstilling av tallene når de vises.

Operasjoner langs spesifikke akser

Tensores kan ha flere dimensjoner, og noen ganger ønsker vi å utføre reduksjoner langs en spesifikk akse. Parameteren axis lar oss spesifisere hvilken akse eller hvilke akser vi ønsker å redusere.

axis=0: utfører operasjonen langs radene (resulterer i en kolonnevektor);
axis=1: utfører operasjonen langs kolonnene (resulterer i en radvektor);
Det er mulig å redusere langs flere akser samtidig ved å gi en liste til parameteren axis;
Når tensorens rang reduseres, kan du bruke keepdims=True for å beholde den reduserte dimensjonen som 1.

For en 2D-tensor (matrise):


              1234567891011121314151617181920
            
import tensorflow as tf

tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])

# Calculate the sum of each column 
col_sum = tf.reduce_sum(tensor, axis=0)
print("Column-wise Sum:", col_sum.numpy())

# Calculate the maximum of each row 
col_max = tf.reduce_max(tensor, axis=1)
print("Row-wise Max:", col_max.numpy())

# Calculate the mean of the whole tensor (reduce along both directions)
# Equivalent to not specifying the axis at all
total_mean = tf.reduce_mean(tensor, axis=(0, 1))
print("Total Mean:", total_mean.numpy())

# Calculate the mean of the whole tensor (keeping reduced dimensions)
total_mean_dim = tf.reduce_mean(tensor, axis=(0, 1), keepdims=True)
print("Total Mean (saving dimensions):", total_mean_dim.numpy())

Merk

Når du utfører en reduksjonsoperasjon langs en spesifikk akse, eliminerer du i praksis denne aksen fra tensoren, og aggregerer alle tensorene innenfor denne aksen elementvis. Den samme effekten gjelder uansett antall dimensjoner.

Slik ser det ut for en 3D-tensor:


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]], 
    [[9, 10], [11, 12]]
])

# Calculate the sum along axis 0
sum_0 = tf.reduce_sum(tensor, axis=0)
print("Sum axis 0:\n", sum_0.numpy())

# Calculate the sum along axis 1
sum_1 = tf.reduce_sum(tensor, axis=1)
print("Sum axis 1:\n", sum_1.numpy())

# Calculate the sum along axes 0 and 1
sum_0_1 = tf.reduce_sum(tensor, axis=(0, 1))
print("Sum axes 0 and 1:\n", sum_0_1.numpy())

Merk

Mange andre reduksjonsoperasjoner finnes i TensorFlow, men de fungerer etter de samme prinsippene.

Oppgave

Swipe to start coding

Bakgrunn

Du er en dataforsker ved et værforskningsbyrå. Du har fått et tensor som inneholder værmålinger fra ulike byer over flere dager. Tensoren har følgende struktur:

Dimensjon 1: representerer forskjellige byer;
Dimensjon 2: representerer forskjellige dager.
Hver oppføring i tensoren er et tuppel av (temperature, humidity).

Mål

Beregn gjennomsnittstemperaturen for hver by over alle dager.
Beregn maksimal luftfuktighet på tvers av alle byer for hver dag.

Merk

I denne tensoren representerer det første tallet i hvert tuppel temperaturen (i Celsius), og det andre tallet representerer luftfuktigheten (i prosent) for den aktuelle dagen og byen.

Løsning

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 12

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 what the axis parameter means in more detail?

How does keepdims=True affect the output shape?

Can you show more examples with higher-dimensional tensors?

Awesome!

Completion rate improved to 5.56

Sveip for å vise menyen

Reduksjonsoperasjoner

Sum, Gjennomsnitt, Maksimum og Minimum

TensorFlow tilbyr følgende metoder for disse beregningene:

tf.reduce_sum(): beregner summen av alle elementene i tensoren eller langs en spesifikk akse;
tf.reduce_mean(): kalkulerer gjennomsnittet av elementene i tensoren;
tf.reduce_max(): finner maksimumsverdien i tensoren;
tf.reduce_min(): finner minimumsverdien i tensoren.


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]])

# Calculate sum of all elements
total_sum = tf.reduce_sum(tensor)
print("Total Sum:", total_sum.numpy())

# Calculate mean of all elements
mean_val = tf.reduce_mean(tensor)
print("Mean Value:", mean_val.numpy())

# Determine the maximum value
max_val = tf.reduce_max(tensor)
print("Maximum Value:", max_val.numpy())

# Find the minimum value
min_val = tf.reduce_min(tensor)
print("Minimum Value:", min_val.numpy())

Merk

Metoden .numpy() ble brukt for å konvertere tensorene til NumPy-arrays, noe som gir en tydeligere visuell fremstilling av tallene når de vises.

Operasjoner langs spesifikke akser

axis=0: utfører operasjonen langs radene (resulterer i en kolonnevektor);
axis=1: utfører operasjonen langs kolonnene (resulterer i en radvektor);
Det er mulig å redusere langs flere akser samtidig ved å gi en liste til parameteren axis;
Når tensorens rang reduseres, kan du bruke keepdims=True for å beholde den reduserte dimensjonen som 1.

For en 2D-tensor (matrise):


              1234567891011121314151617181920
            
import tensorflow as tf

tensor = tf.constant([[1., 2.], [3., 4.], [5., 6.]])

# Calculate the sum of each column 
col_sum = tf.reduce_sum(tensor, axis=0)
print("Column-wise Sum:", col_sum.numpy())

# Calculate the maximum of each row 
col_max = tf.reduce_max(tensor, axis=1)
print("Row-wise Max:", col_max.numpy())

# Calculate the mean of the whole tensor (reduce along both directions)
# Equivalent to not specifying the axis at all
total_mean = tf.reduce_mean(tensor, axis=(0, 1))
print("Total Mean:", total_mean.numpy())

# Calculate the mean of the whole tensor (keeping reduced dimensions)
total_mean_dim = tf.reduce_mean(tensor, axis=(0, 1), keepdims=True)
print("Total Mean (saving dimensions):", total_mean_dim.numpy())

Merk

Slik ser det ut for en 3D-tensor:


              12345678910111213141516171819
            
import tensorflow as tf

tensor = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]], 
    [[9, 10], [11, 12]]
])

# Calculate the sum along axis 0
sum_0 = tf.reduce_sum(tensor, axis=0)
print("Sum axis 0:\n", sum_0.numpy())

# Calculate the sum along axis 1
sum_1 = tf.reduce_sum(tensor, axis=1)
print("Sum axis 1:\n", sum_1.numpy())

# Calculate the sum along axes 0 and 1
sum_0_1 = tf.reduce_sum(tensor, axis=(0, 1))
print("Sum axes 0 and 1:\n", sum_0_1.numpy())

Merk

Mange andre reduksjonsoperasjoner finnes i TensorFlow, men de fungerer etter de samme prinsippene.

Oppgave

Swipe to start coding

Bakgrunn

Du er en dataforsker ved et værforskningsbyrå. Du har fått et tensor som inneholder værmålinger fra ulike byer over flere dager. Tensoren har følgende struktur:

Dimensjon 1: representerer forskjellige byer;
Dimensjon 2: representerer forskjellige dager.
Hver oppføring i tensoren er et tuppel av (temperature, humidity).

Mål

Beregn gjennomsnittstemperaturen for hver by over alle dager.
Beregn maksimal luftfuktighet på tvers av alle byer for hver dag.

Merk

I denne tensoren representerer det første tallet i hvert tuppel temperaturen (i Celsius), og det andre tallet representerer luftfuktigheten (i prosent) for den aktuelle dagen og byen.

Løsning

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

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 12

single