Introductie tot Tensors

Deze sectie biedt een diepgaand onderzoek van Tensors, de fundamentele bouwstenen van TensorFlow. Tensors zijn essentieel voor machine learning- en deep learning-workflows. In dit hoofdstuk worden hun betekenis en toepassingen besproken.

Wat zijn Tensors?

Tensors kunnen worden gezien als multidimensionale arrays. Zie ze als gegevenscontainers die waarden bevatten in een gestructureerd, N-dimensionaal formaat. Je kunt ze vergelijken met bouwstenen: afzonderlijk lijken ze eenvoudig, maar samen vormen ze complexe structuren.

Typen tensors

Je hebt eigenlijk al eerder kennisgemaakt met tensors, vooral als je hebt gewerkt met de NumPy- en Pandas-bibliotheken:

Scalairs: gewoon een enkel getal. Dit is een 0-dimensionale tensor. Voorbeeld: 5;
Vectoren: een reeks getallen. Dit is een 1-dimensionale tensor. Voorbeeld: [1, 2, 3];
Matrices: een 2-dimensionale tensor. Zie het als een raster van getallen. Voorbeeld:

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

3D-tensors: als je matrices stapelt, krijg je 3D-tensors;

Notitie

De hierboven getoonde 3D-tensor in de animatie kan worden weergegeven als:

[[[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]]]

Elke regel komt overeen met een afzonderlijke matrix (2D-tensor).

Hogere dimensies: en je kunt blijven stapelen voor nog hogere dimensies.

De overgang van lagere naar hogere dimensionale tensors lijkt misschien een sprong, maar het is een logische voortgang bij het werken met datastructuren. Hoe dieper je ingaat op neurale netwerkarchitecturen, vooral convolutionele neurale netwerken (CNN's) of recurrente neurale netwerken (RNN's), hoe vaker je deze zult tegenkomen. De complexiteit neemt toe, maar onthoud dat het in de kern gewoon datacontainers zijn.

Belang in Deep Learning

De nadruk op tensors in deep learning komt voort uit hun uniformiteit en efficiëntie. Ze bieden een consistente structuur, waardoor wiskundige bewerkingen soepel kunnen verlopen, vooral op GPU's. Bij het werken met verschillende gegevensvormen in neurale netwerken, zoals afbeeldingen of geluid, vereenvoudigen tensors de gegevensrepresentatie, waarbij vorm, hiërarchie en volgorde behouden blijven.

Basis Tensorcreatie

Er zijn talloze manieren om een tensor te creëren in TensorFlow, variërend van het genereren van willekeurige of gestructureerde gegevens tot het importeren van gegevens uit een vooraf gedefinieerde dataset of zelfs een bestand. Voor nu richten we ons echter op de meest eenvoudige methode - het creëren van een tensor uit een Python-lijst.


              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)

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 2

single

Veeg om het menu te tonen

Introductie tot Tensors

Deze sectie biedt een diepgaand onderzoek van Tensors, de fundamentele bouwstenen van TensorFlow. Tensors zijn essentieel voor machine learning- en deep learning-workflows. In dit hoofdstuk worden hun betekenis en toepassingen besproken.

Wat zijn Tensors?

Tensors kunnen worden gezien als multidimensionale arrays. Zie ze als gegevenscontainers die waarden bevatten in een gestructureerd, N-dimensionaal formaat. Je kunt ze vergelijken met bouwstenen: afzonderlijk lijken ze eenvoudig, maar samen vormen ze complexe structuren.

Typen tensors

Je hebt eigenlijk al eerder kennisgemaakt met tensors, vooral als je hebt gewerkt met de NumPy- en Pandas-bibliotheken:

Scalairs: gewoon een enkel getal. Dit is een 0-dimensionale tensor. Voorbeeld: 5;
Vectoren: een reeks getallen. Dit is een 1-dimensionale tensor. Voorbeeld: [1, 2, 3];
Matrices: een 2-dimensionale tensor. Zie het als een raster van getallen. Voorbeeld:

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

3D-tensors: als je matrices stapelt, krijg je 3D-tensors;

Notitie

De hierboven getoonde 3D-tensor in de animatie kan worden weergegeven als:

[[[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]]]

Elke regel komt overeen met een afzonderlijke matrix (2D-tensor).

Hogere dimensies: en je kunt blijven stapelen voor nog hogere dimensies.

De overgang van lagere naar hogere dimensionale tensors lijkt misschien een sprong, maar het is een logische voortgang bij het werken met datastructuren. Hoe dieper je ingaat op neurale netwerkarchitecturen, vooral convolutionele neurale netwerken (CNN's) of recurrente neurale netwerken (RNN's), hoe vaker je deze zult tegenkomen. De complexiteit neemt toe, maar onthoud dat het in de kern gewoon datacontainers zijn.

Belang in Deep Learning

De nadruk op tensors in deep learning komt voort uit hun uniformiteit en efficiëntie. Ze bieden een consistente structuur, waardoor wiskundige bewerkingen soepel kunnen verlopen, vooral op GPU's. Bij het werken met verschillende gegevensvormen in neurale netwerken, zoals afbeeldingen of geluid, vereenvoudigen tensors de gegevensrepresentatie, waarbij vorm, hiërarchie en volgorde behouden blijven.

Basis Tensorcreatie

Er zijn talloze manieren om een tensor te creëren in TensorFlow, variërend van het genereren van willekeurige of gestructureerde gegevens tot het importeren van gegevens uit een vooraf gedefinieerde dataset of zelfs een bestand. Voor nu richten we ons echter op de meest eenvoudige methode - het creëren van een tensor uit een Python-lijst.


              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)

Taak

Veeg om te beginnen met coderen

Je moet tensors construeren met dimensies van 1, 2 en 3. Je kunt ze vullen met willekeurige waarden, maar zorg ervoor dat je het opgegeven aantal dimensies aanhoudt. Raadpleeg het eerder gegeven voorbeeld en, als je twijfelt, bekijk de hint.

Opmerking

De sublijsten binnen een tensor moeten allemaal dezelfde lengte hebben. Bijvoorbeeld: als een subtensor van een 2D-tensor een lengte van 3 heeft, moeten alle andere subtensors ook die lengte hebben. [[1, 2], [1, 2]] is bijvoorbeeld een geldige tensor, terwijl [[1, 2], [1, 2, 3]] dat niet is.

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 2

single

Vraag AI

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