Leer Introductie tot Tensors

Sectie 1. Hoofdstuk 2

single

Veeg om het menu te tonen

Wat zijn Tensoren?

Tensoren kunnen worden gezien als multidimensionale arrays. Zie ze als gegevenscontainers, waarin waarden zijn opgeslagen in een gestructureerd, N-dimensionaal formaat. Je kunt ze beschouwen als bouwstenen: afzonderlijk lijken ze eenvoudig, maar samen kunnen ze complexe structuren vormen.

Typen Tensoren

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

Scalairen: 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-tensoren: als je matrices stapelt, krijg je 3D-tensoren;

Opmerking

De 3D-tensor die in de bovenstaande animatie wordt getoond, 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 individuele matrix (2D-tensor).

Hogere dimensies: en u 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 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.

Betekenis 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, zorgen tensors voor een gestroomlijnde gegevensrepresentatie, waarbij 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 data 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 vanuit 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

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.

Let op

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]] is dat niet.

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.