Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Leer Introductie tot Tensors | Tensoren
Introductie tot TensorFlow

bookIntroductie tot Tensors

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. Dit hoofdstuk behandelt hun belang en toepassingen.

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 beschouwen als bouwstenen: afzonderlijk lijken ze eenvoudig, maar samen vormen ze complexe structuren.

Typen Tensors

Je bent waarschijnlijk al eerder tensors tegengekomen, vooral als je hebt gewerkt met de NumPy- en Pandas-bibliotheken:

  • Scalars: slechts een enkel getal. Dit is een 0-dimensionale tensor. Voorbeeld: 5;
  • Vectoren: een array van 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;
Note
Opmerking

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

[[[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 u kunt blijven stapelen voor nog hogere dimensies.

De overgang van een lager-dimensionale naar hoger-dimensionale tensors lijkt misschien een grote stap, maar het is een logische voortgang bij het werken met datastructuren. Hoe dieper u ingaat op neurale netwerkarchitecturen, vooral convolutionele neurale netwerken (CNN's) of recurrente neurale netwerken (RNN's), hoe vaker u 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 naadloos kunnen worden uitgevoerd, vooral op GPU's. Bij het werken met verschillende gegevensvormen in neurale netwerken, zoals afbeeldingen of geluid, vereenvoudigen tensors de gegevensrepresentatie en zorgen ze ervoor dat vorm, hiërarchie en volgorde behouden blijven.

Basis Tensorcreatie

Er zijn verschillende manieren om een tensor te creëren in TensorFlow, variërend van het genereren van willekeurige of gestructureerde data tot het importeren van gegevens uit een vooraf gedefinieerde dataset of zelfs een bestand. Voor nu ligt de focus 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)
copy
Taak

Swipe to start coding

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, maar [[1, 2], [1, 2, 3]] niet.

Oplossing

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 2
single

single

Vraag AI

expand

Vraag AI

ChatGPT

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

close

Awesome!

Completion rate improved to 5.56

bookIntroductie tot Tensors

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. Dit hoofdstuk behandelt hun belang en toepassingen.

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 beschouwen als bouwstenen: afzonderlijk lijken ze eenvoudig, maar samen vormen ze complexe structuren.

Typen Tensors

Je bent waarschijnlijk al eerder tensors tegengekomen, vooral als je hebt gewerkt met de NumPy- en Pandas-bibliotheken:

  • Scalars: slechts een enkel getal. Dit is een 0-dimensionale tensor. Voorbeeld: 5;
  • Vectoren: een array van 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;
Note
Opmerking

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

[[[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 u kunt blijven stapelen voor nog hogere dimensies.

De overgang van een lager-dimensionale naar hoger-dimensionale tensors lijkt misschien een grote stap, maar het is een logische voortgang bij het werken met datastructuren. Hoe dieper u ingaat op neurale netwerkarchitecturen, vooral convolutionele neurale netwerken (CNN's) of recurrente neurale netwerken (RNN's), hoe vaker u 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 naadloos kunnen worden uitgevoerd, vooral op GPU's. Bij het werken met verschillende gegevensvormen in neurale netwerken, zoals afbeeldingen of geluid, vereenvoudigen tensors de gegevensrepresentatie en zorgen ze ervoor dat vorm, hiërarchie en volgorde behouden blijven.

Basis Tensorcreatie

Er zijn verschillende manieren om een tensor te creëren in TensorFlow, variërend van het genereren van willekeurige of gestructureerde data tot het importeren van gegevens uit een vooraf gedefinieerde dataset of zelfs een bestand. Voor nu ligt de focus 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)
copy
Taak

Swipe to start coding

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, maar [[1, 2], [1, 2, 3]] niet.

Oplossing

Switch to desktopSchakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties
Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 1. Hoofdstuk 2
single

single

some-alt