Introductie tot Tensors
Wat is een Tensor?
Een tensor is een gegeneraliseerd wiskundig object dat gegevens in één of meerdere dimensies kan representeren. Zie een tensor als een multidimensionale array.
Je bent al bekend met enkele speciale gevallen van tensors:
- Scalar (0D tensor): een enkel getal, zoals
5of3.14; - Vector (1D tensor): een lijst met getallen, zoals
[1, 2, 3]; - Matrix (2D tensor): een 2D raster van getallen, vergelijkbaar met een tabel met rijen en kolommen.
Hogerdimensionale tensors (3D, 4D, enz.) breiden het concept van matrices uit naar extra dimensies. Bijvoorbeeld, een 3D-tensor kan een afbeelding weergeven met hoogte, breedte en kleurkanalen.
Hoewel de terminologie in het begin complex kan lijken, is het belangrijkste idee dat tensors simpelweg containers zijn voor numerieke gegevens, vergelijkbaar met NumPy-arrays.
Tensors in PyTorch versus NumPy-arrays
PyTorch-tensors gedragen zich op veel manieren vergelijkbaar met NumPy-arrays. Bovendien werken indexering en slicing in tensors op dezelfde manier als bij NumPy-arrays, dus deze onderwerpen worden in deze cursus niet behandeld.
PyTorch-tensors bieden echter extra voordelen, zoals:
- Native ondersteuning voor GPU-versnelling;
- Integratie met de deep learning-modules van PyTorch;
- Compatibiliteit met autograd, het automatische differentiatiehulpmiddel van PyTorch voor backpropagation.
Tensoren aanmaken
PyTorch biedt verschillende manieren om tensoren te creëren. Een van de meest eenvoudige methoden is het aanmaken van een tensor uit een lijst of een NumPy-array. De aanbevolen manier hiervoor is door de gegevens door te geven aan de functie torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Maak direct een 3D-tensor aan vanuit een 3D-lijst zonder de lijst in een aparte variabele op te slaan. De tensor mag willekeurige afmetingen en elementen bevatten.
Oplossing
Bedankt voor je feedback!
single
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
Geweldig!
Completion tarief verbeterd naar 5Introductie tot Tensors
Veeg om het menu te tonen
Wat is een Tensor?
Een tensor is een gegeneraliseerd wiskundig object dat gegevens in één of meerdere dimensies kan representeren. Zie een tensor als een multidimensionale array.
Je bent al bekend met enkele speciale gevallen van tensors:
- Scalar (0D tensor): een enkel getal, zoals
5of3.14; - Vector (1D tensor): een lijst met getallen, zoals
[1, 2, 3]; - Matrix (2D tensor): een 2D raster van getallen, vergelijkbaar met een tabel met rijen en kolommen.
Hogerdimensionale tensors (3D, 4D, enz.) breiden het concept van matrices uit naar extra dimensies. Bijvoorbeeld, een 3D-tensor kan een afbeelding weergeven met hoogte, breedte en kleurkanalen.
Hoewel de terminologie in het begin complex kan lijken, is het belangrijkste idee dat tensors simpelweg containers zijn voor numerieke gegevens, vergelijkbaar met NumPy-arrays.
Tensors in PyTorch versus NumPy-arrays
PyTorch-tensors gedragen zich op veel manieren vergelijkbaar met NumPy-arrays. Bovendien werken indexering en slicing in tensors op dezelfde manier als bij NumPy-arrays, dus deze onderwerpen worden in deze cursus niet behandeld.
PyTorch-tensors bieden echter extra voordelen, zoals:
- Native ondersteuning voor GPU-versnelling;
- Integratie met de deep learning-modules van PyTorch;
- Compatibiliteit met autograd, het automatische differentiatiehulpmiddel van PyTorch voor backpropagation.
Tensoren aanmaken
PyTorch biedt verschillende manieren om tensoren te creëren. Een van de meest eenvoudige methoden is het aanmaken van een tensor uit een lijst of een NumPy-array. De aanbevolen manier hiervoor is door de gegevens door te geven aan de functie torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Maak direct een 3D-tensor aan vanuit een 3D-lijst zonder de lijst in een aparte variabele op te slaan. De tensor mag willekeurige afmetingen en elementen bevatten.
Oplossing
Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande optiesBedankt voor je feedback!
single
