Leer Transformaties

Sectie 1. Hoofdstuk 10

single

Veeg om het menu te tonen

Tensortransformaties zijn essentieel bij het verwerken van data. Naarmate men zich verder verdiept in deep learning en datawetenschapstaken, wordt het duidelijk dat de aangeleverde data niet altijd in het gewenste formaat is. Deze les introduceert methoden in TensorFlow waarmee de structuur en inhoud van tensors gemanipuleerd kunnen worden om aan specifieke eisen te voldoen.

Tensors herschikken

Bij het werken met tensors is het soms nodig om de vorm te wijzigen zonder de onderliggende data aan te passen. tf.reshape() is hierbij een handig hulpmiddel.

Werking:

Herschikken verandert de structuur van de tensor, maar niet de data. Het totaal aantal elementen moet vóór en na het herschikken gelijk blijven;
De nieuwe vorm wordt rij-voor-rij gevuld (van links naar rechts, van boven naar beneden).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Opmerking

Bij het specificeren van de nieuwe vorm mag één dimensie -1 zijn. TensorFlow berekent dan de grootte van die dimensie zodat de totale grootte gelijk blijft.

Dit is vooral handig wanneer je tensors aan een neuraal netwerk wilt aanbieden, maar de dimensies niet overeenkomen met de inputvorm van het netwerk.

Slicing

Slicing maakt het mogelijk een deel van een tensor op te halen. Het is vergelijkbaar met het slicen van lijsten in Python, maar dan uitgebreid naar multi-dimensionale tensors.

Werking:

tf.slice() extraheert een deel uit een tensor. Hiervoor zijn het beginindex van de slice en de grootte van de slice vereist;
Als de grootte -1 is, betekent dit alle elementen in die dimensie.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Opmerking

Onthoud altijd de nul-gebaseerde indexering van TensorFlow, die vergelijkbaar is met de native indexering van Python. Handig voor het extraheren van specifieke kenmerken of datapunten uit een grotere dataset.

Gegevens wijzigen

Er is een andere manier van slicen die het ook mogelijk maakt om de originele gegevens te wijzigen, vergelijkbaar met het slicen van arrays in NumPy.

Werking:

Met behulp van [] kun je eenvoudig tensors slicen en indexeren, vergelijkbaar met NumPy-slicing. Deze methode maakt het mogelijk om specifieke rijen, kolommen of elementen van een tensor te selecteren;
Met tf.Variable() wordt de tensor muteerbaar, waardoor directe aanpassingen via slicing mogelijk zijn;
Om de waarden van de geselecteerde subtensor te wijzigen, gebruik je de .assign()-methode met een tensor of lijst die overeenkomt met de vorm.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Opmerking

De slicing-syntaxis in TensorFlow is grotendeels geïnspireerd op NumPy, dus als je bekend bent met NumPy, is de overstap naar TensorFlow's slicing-mechanisme eenvoudig;
Zorg er altijd voor dat je tf.Variable() gebruikt voor bewerkingen waarbij mutabiliteit van tensors vereist is.

Concatenatie

Concatenatie maakt het mogelijk om meerdere tensors samen te voegen langs een opgegeven as.

Werking:

tf.concat() combineert tensors. De methode vereist een lijst van tensors die je wilt samenvoegen en de as waarlangs de bewerking wordt uitgevoerd;
De as is nul-gebaseerd. Een as van 0 verwijst naar rijen (verticaal) en een as van 1 verwijst naar kolommen (horizontaal).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Opmerking

Zorg ervoor dat de tensors die je samenvoegt overeenkomende dimensies hebben op de niet-geconcateneerde assen;
Deze bewerking lijkt op numpy.concatenate(), maar is aangepast voor TensorFlow-tensors.

Taak

Swipe to start coding

Je werkt met een dataset bestaande uit metingen van verschillende sensoren die op diverse geografische locaties zijn geplaatst. Deze sensoren registreren weergerelateerde gegevens zoals temperatuur, luchtdruk en genormaliseerde geografische coördinaten.

Tijdens het samenstellen van de metingen ontdekte je echter dat sommige gegevens onjuist zijn vastgelegd.

Daarnaast heb je nieuwe metingen van andere sensoren ontvangen die je moet toevoegen.

Datasetinformatie

main_dataset: Een tensor van vorm (6, 4) die 6 metingen weergeeft. Elke rij is een sample en de kolommen vertegenwoordigen de volgende kenmerken:
- Temperatuur (in Celsius);
- Luchtdruk (in hPa);
- Genormaliseerde breedtegraad;
- Genormaliseerde lengtegraad.
error_correction_data: Een tensor van vorm (2, 4) met 2 gecorrigeerde metingen voor foutieve data in de hoofd-dataset.
additional_data: Een tensor van vorm (3, 4) met 3 nieuwe metingen.

Doelstelling

Een gecorrigeerde en volledige dataset voorbereiden voor weersvoorspelling:

Gegevenscorrectie:
- Je hebt vastgesteld dat de metingen op de 2e en 5e rij van de main_dataset onjuist waren. Vervang deze rijen in de main_dataset door de rijen uit error_correction_data.
Toevoegen van extra gegevens:
- Concateneer de main_dataset met additional_data om de nieuwe metingen toe te voegen.
Batch-reshaping:
- Voor batchtraining wil je de dataset opdelen in batches met 3 metingen per batch. Reshape complete_dataset, waarbij de eerste dimensie de batchgrootte weergeeft en de tweede dimensie het aantal metingen per batch.

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 10

single

Vraag AI

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