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

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