Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Aprenda Propriedades do Tensor | Tensores
Introdução ao TensorFlow

bookPropriedades do Tensor

Propriedades dos Tensores

Tensores possuem propriedades distintas que determinam sua estrutura e como processam e armazenam dados.

  • Rank: indica o número de dimensões presentes no tensor. Por exemplo, uma matriz possui rank igual a 2. É possível obter o rank do tensor utilizando o atributo .ndim:

              
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}')
copy
Note
Nota

A definição de listas em Python é estruturada em várias linhas para maior clareza na leitura. Condensar em uma única linha demonstra que a funcionalidade permanece a mesma.

  • Shape: descreve quantos valores existem em cada dimensão. Uma matriz 2x3 possui shape (2, 3). O comprimento do parâmetro shape corresponde ao rank do tensor (seu número de dimensões). É possível obter o shape do tensor pelo atributo .shape:

              
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}')
copy
Note
Nota

Obter as formas e os ranks dos tensores corretamente é fundamental em aprendizado profundo. Incompatibilidades de dimensões são armadilhas comuns, especialmente ao construir modelos complexos no TensorFlow.

  • Tipos: tensores possuem diversos tipos de dados. Embora existam muitos, alguns comuns incluem float32, int32 e string. Serão abordados os tipos de dados de tensores em capítulos seguintes. É possível obter o tipo de dado do tensor pelo atributo .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}')
copy
Note
Nota

O tipo de dado de um tensor é determinado pelo conteúdo que ele contém. É fundamental que todos os elementos dentro do tensor sejam do mesmo tipo.

  • Eixos: os eixos ajudam a navegar pelas dimensões dos tensores. Ao especificar um eixo, é possível identificar uma camada ou direção específica no tensor, facilitando o processamento e a compreensão dos dados. Os eixos correspondem diretamente às dimensões da forma. Cada eixo corresponde a um valor específico da forma, sendo o eixo 0 alinhado ao primeiro valor da forma, o eixo 1 ao segundo, e assim por diante.
Tarefa

Swipe to start coding

Nesta tarefa, você receberá dois tensores. O primeiro tensor já está criado para você; sua tarefa é exibir suas propriedades utilizando os atributos relevantes do tensor. Para o segundo tensor, será necessário construí-lo com as seguintes especificações:

  • Rank: 3.
  • Shape: (2, 4, 3).
  • Tipo de dado: float.

Portanto, seus passos são:

  1. Recuperar as propriedades do primeiro tensor.
  2. Construir um tensor que atenda aos critérios especificados.

Solução

Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 1. Capítulo 3
single

single

Pergunte à IA

expand

Pergunte à IA

ChatGPT

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Suggested prompts:

Can you explain the difference between rank and shape in more detail?

How do I choose the right data type for my tensor?

Can you give an example of how axes are used in tensor operations?

close

Awesome!

Completion rate improved to 5.56

bookPropriedades do Tensor

Deslize para mostrar o menu

Propriedades dos Tensores

Tensores possuem propriedades distintas que determinam sua estrutura e como processam e armazenam dados.

  • Rank: indica o número de dimensões presentes no tensor. Por exemplo, uma matriz possui rank igual a 2. É possível obter o rank do tensor utilizando o atributo .ndim:

              
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}')
copy
Note
Nota

A definição de listas em Python é estruturada em várias linhas para maior clareza na leitura. Condensar em uma única linha demonstra que a funcionalidade permanece a mesma.

  • Shape: descreve quantos valores existem em cada dimensão. Uma matriz 2x3 possui shape (2, 3). O comprimento do parâmetro shape corresponde ao rank do tensor (seu número de dimensões). É possível obter o shape do tensor pelo atributo .shape:

              
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}')
copy
Note
Nota

Obter as formas e os ranks dos tensores corretamente é fundamental em aprendizado profundo. Incompatibilidades de dimensões são armadilhas comuns, especialmente ao construir modelos complexos no TensorFlow.

  • Tipos: tensores possuem diversos tipos de dados. Embora existam muitos, alguns comuns incluem float32, int32 e string. Serão abordados os tipos de dados de tensores em capítulos seguintes. É possível obter o tipo de dado do tensor pelo atributo .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}')
copy
Note
Nota

O tipo de dado de um tensor é determinado pelo conteúdo que ele contém. É fundamental que todos os elementos dentro do tensor sejam do mesmo tipo.

  • Eixos: os eixos ajudam a navegar pelas dimensões dos tensores. Ao especificar um eixo, é possível identificar uma camada ou direção específica no tensor, facilitando o processamento e a compreensão dos dados. Os eixos correspondem diretamente às dimensões da forma. Cada eixo corresponde a um valor específico da forma, sendo o eixo 0 alinhado ao primeiro valor da forma, o eixo 1 ao segundo, e assim por diante.
Tarefa

Swipe to start coding

Nesta tarefa, você receberá dois tensores. O primeiro tensor já está criado para você; sua tarefa é exibir suas propriedades utilizando os atributos relevantes do tensor. Para o segundo tensor, será necessário construí-lo com as seguintes especificações:

  • Rank: 3.
  • Shape: (2, 4, 3).
  • Tipo de dado: float.

Portanto, seus passos são:

  1. Recuperar as propriedades do primeiro tensor.
  2. Construir um tensor que atenda aos critérios especificados.

Solução

Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 1. Capítulo 3
single

single

some-alt