Summary  
The chapter introduces tensors as multi-dimensional array containers, explains their dimensional types (scalars through higher-order arrays), and demonstrates how to create and print them in code.  

General domain of usage  
Deep learning

### Hva er tensorer?

Tensores 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 tensorer

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

- **Skalare**: kun et <u>enkelt tall</u>. Dette er en 0-dimensjonal tensor. Eksempel: `5`;
- **Vektorer**: en <u>matrise av tall</u>. Dette er en 1-dimensjonal tensor. Eksempel: `[1, 2, 3]`;
- **Matriser**: en 2-dimensjonal tensor. Tenk på det som et <u>rutenett av tall</u>. Eksempel: 

```python
[[1, 2]
 [3, 4]
 [5, 6]]
```

- **3D-tensorer**: hvis du <u>stabler matriser</u>, får du 3D-tensorer;

3D-tensoren vist i animasjonen ovenfor kan representeres som:
```python
[[[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).

Merk

- **Høyere dimensjoner**: og du kan fortsette å stable for enda <u>høyere dimensjoner</u>.

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 <u>konvolusjonsnevrale nettverk</u> (CNN) eller <u>rekurrerende nevrale nettverk</u> (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 kommer av deres **enhetlighet og effektivitet**. De gir en konsistent struktur som gjør det mulig å utføre matematiske operasjoner sømløst, **spesielt på GPU-er**. Når man arbeider med 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 på, fra å generere tilfeldige eller strukturerte data til å importere data fra et forhåndsdefinert datasett eller til og med en fil. For nå skal vi imidlertid fokusere på den mest direkte metoden – å opprette en tensor **fra en Python-liste**.

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)

import unittest
import numpy as np
import tensorflow as tf


# Helper for dynamic test messages
def _dynamic_test(test_case, condition, ok_msg, fail_msg):
    if condition:
        test_case._testMethodName = ok_msg
        test_case.assertTrue(True)
    else:
        test_case._testMethodName = fail_msg
        test_case.fail(fail_msg)


class TestUserCode(unittest.TestCase):

    def test_tensor_1D_exists(self):
        import user_code

        condition = hasattr(user_code, "tensor_1D") and isinstance(user_code.tensor_1D, tf.Tensor)

        _dynamic_test(
            self,
            condition,
            "The 1D tensor is created.",
            "Expected `tensor_1D` to be created as a TensorFlow tensor."
        )

    def test_tensor_1D_is_1D(self):
        import user_code

        condition = len(user_code.tensor_1D.shape) == 1

        _dynamic_test(
            self,
            condition,
            "The 1D tensor has rank 1.",
            "Expected `tensor_1D` to have rank 1."
        )

    def test_tensor_2D_exists(self):
        import user_code

        condition = hasattr(user_code, "tensor_2D") and isinstance(user_code.tensor_2D, tf.Tensor)

        _dynamic_test(
            self,
            condition,
            "The 2D tensor is created.",
            "Expected `tensor_2D` to be created as a TensorFlow tensor."
        )

    def test_tensor_2D_is_2D(self):
        import user_code

        condition = len(user_code.tensor_2D.shape) == 2

        _dynamic_test(
            self,
            condition,
            "The 2D tensor has rank 2.",
            "Expected `tensor_2D` to have rank 2."
        )

    def test_tensor_3D_exists(self):
        import user_code

        condition = hasattr(user_code, "tensor_3D") and isinstance(user_code.tensor_3D, tf.Tensor)

        _dynamic_test(
            self,
            condition,
            "The 3D tensor is created.",
            "Expected `tensor_3D` to be created as a TensorFlow tensor."
        )

    def test_tensor_3D_is_3D(self):
        import user_code

        condition = len(user_code.tensor_3D.shape) == 3

        _dynamic_test(
            self,
            condition,
            "The 3D tensor has rank 3.",
            "Expected `tensor_3D` to have rank 3."
        )

    def test_tensor_internal_shapes_valid(self):
        """
        Ensures that shapes are consistent (e.g., 2D tensor has rectangular shape).
        TensorFlow already enforces this, but we validate shape is fully defined.
        """
        import user_code

        t2 = user_code.tensor_2D
        t3 = user_code.tensor_3D

        condition = (
            None not in t2.shape and
            None not in t3.shape and
            len(t2.shape) == 2 and
            len(t3.shape) == 3
        )

        _dynamic_test(
            self,
            condition,
            "All tensors have consistent shapes.",
            "Expected tensors to have fully defined and consistent shapes."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Bli ekspert på å bygge, trene og evaluere nevrale nettverk ved hjelp av TensorFlow og Keras. Dette kurset dekker modellopprettelse, egendefinerte treningssløyfer og beste praksis for effektive arbeidsflyter innen dyp læring. Gjennom praktiske prosjekter og virkelighetsnære scenarioer får du praktisk erfaring med bransjestandard verktøy og teknikker som er essensielle for avansert ingeniørarbeid innen dyp læring.

Introduksjon til Tensorer

Hva er tensorer?

Typer av tensorer

Betydning i dyp læring

Grunnleggende tensoropprettelse

Løsning