Tensor-eigenschappen

Tensors beschikken over specifieke eigenschappen die hun structuur bepalen en hoe ze data verwerken en opslaan.

Rang: geeft het aantal dimensies van de tensor aan. Bijvoorbeeld, een matrix heeft een rang van 2. De rang van een tensor kan worden opgevraagd met het .ndim attribuut:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Opmerking

De definitie van Python-lijsten is over meerdere regels gestructureerd voor betere leesbaarheid. Door deze samen te voegen tot één regel, wordt duidelijk dat de functionaliteit hetzelfde blijft.

Vorm (Shape): dit beschrijft hoeveel waarden er in elke dimensie aanwezig zijn. Een 2x3 matrix heeft een vorm van (2, 3). De lengte van de shape-parameter komt overeen met de rang van de tensor (het aantal dimensies). De vorm van de tensor is op te vragen via het .shape attribuut:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Opmerking

Het correct instellen van tensorvormen en -rangen is essentieel bij deep learning. Dimensiefouten zijn veelvoorkomende valkuilen, vooral bij het bouwen van complexe modellen in TensorFlow.

Types: tensors bestaan in verschillende datatypes. Hoewel er veel zijn, behoren float32, int32 en string tot de meest gebruikte. In de volgende hoofdstukken gaan we dieper in op tensor datatypes. Het datatype van een tensor kan worden opgevraagd via het attribuut .dtype:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Opmerking

Het gegevenstype van een tensor wordt bepaald door de inhoud die deze bevat. Het is essentieel dat alle elementen binnen de tensor van hetzelfde type zijn.

Assen: assen helpen bij het navigeren door de dimensies van tensors. Door een as te specificeren, kan een specifieke laag of richting in de tensor worden aangeduid, wat het verwerken en begrijpen van de gegevens vergemakkelijkt. Assen komen direct overeen met de vormdimensies. Elke as correspondeert met een specifieke waarde in de vorm, waarbij de 0e as overeenkomt met de eerste vormwaarde, de 1e as met de tweede, enzovoort.

Taak

Swipe to start coding

In deze taak krijg je twee tensors. De eerste tensor is al voor je aangemaakt; jouw taak is om de eigenschappen ervan weer te geven met behulp van de relevante tensorattributen. Voor de tweede tensor moet je deze zelf construeren met de volgende specificaties:

Rang: 3.
Vorm: (2, 4, 3).
Gegevenstype: float.

Je stappen zijn dus:

Haal de eigenschappen van de eerste tensor op.
Construeer een tensor die aan de opgegeven criteria voldoet.

Oplossing

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 3

single

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Awesome!

Completion rate improved to 5.56

Veeg om het menu te tonen

Tensor-eigenschappen

Tensors beschikken over specifieke eigenschappen die hun structuur bepalen en hoe ze data verwerken en opslaan.

Rang: geeft het aantal dimensies van de tensor aan. Bijvoorbeeld, een matrix heeft een rang van 2. De rang van een tensor kan worden opgevraagd met het .ndim attribuut:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Opmerking

Vorm (Shape): dit beschrijft hoeveel waarden er in elke dimensie aanwezig zijn. Een 2x3 matrix heeft een vorm van (2, 3). De lengte van de shape-parameter komt overeen met de rang van de tensor (het aantal dimensies). De vorm van de tensor is op te vragen via het .shape attribuut:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Opmerking

Het correct instellen van tensorvormen en -rangen is essentieel bij deep learning. Dimensiefouten zijn veelvoorkomende valkuilen, vooral bij het bouwen van complexe modellen in TensorFlow.

Types: tensors bestaan in verschillende datatypes. Hoewel er veel zijn, behoren float32, int32 en string tot de meest gebruikte. In de volgende hoofdstukken gaan we dieper in op tensor datatypes. Het datatype van een tensor kan worden opgevraagd via het attribuut .dtype:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Opmerking

Het gegevenstype van een tensor wordt bepaald door de inhoud die deze bevat. Het is essentieel dat alle elementen binnen de tensor van hetzelfde type zijn.

Assen: assen helpen bij het navigeren door de dimensies van tensors. Door een as te specificeren, kan een specifieke laag of richting in de tensor worden aangeduid, wat het verwerken en begrijpen van de gegevens vergemakkelijkt. Assen komen direct overeen met de vormdimensies. Elke as correspondeert met een specifieke waarde in de vorm, waarbij de 0e as overeenkomt met de eerste vormwaarde, de 1e as met de tweede, enzovoort.

Taak

Swipe to start coding

Rang: 3.
Vorm: (2, 4, 3).
Gegevenstype: float.

Je stappen zijn dus:

Haal de eigenschappen van de eerste tensor op.
Construeer een tensor die aan de opgegeven criteria voldoet.

Oplossing

Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 3

single

Tensor Eigenschappen

Tensor-eigenschappen

Oplossing

Awesome!

Tensor Eigenschappen

Tensor-eigenschappen

Oplossing