Introdução aos Tensores

Esta seção oferece uma análise aprofundada dos Tensores, os componentes fundamentais do TensorFlow. Tensores são essenciais para fluxos de trabalho de aprendizado de máquina e aprendizado profundo. Este capítulo explora sua importância e aplicações.

O que são Tensores?

Tensores podem ser vistos como arrays multidimensionais. Imagine-os como contêineres de dados, armazenando valores em um formato estruturado e N-dimensional. Eles podem ser comparados a blocos de construção: individualmente, podem parecer simples, mas juntos podem formar estruturas complexas.

Tipos de Tensores

Você provavelmente já encontrou tensores antes, especialmente se já utilizou as bibliotecas NumPy e Pandas:

Escalares: apenas um número único. Este é um tensor de 0 dimensões. Exemplo: 5;
Vetores: um array de números. Este é um tensor de 1 dimensão. Exemplo: [1, 2, 3];
Matrizes: um tensor de 2 dimensões. Pense como uma grade de números. Exemplo:

[[1, 2]
 [3, 4]
 [5, 6]]

Tensores 3D: ao empilhar matrizes, obtém-se tensores 3D;

Nota

O Tensor 3D mostrado na animação acima pode ser representado como:

[[[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]]]

Cada linha corresponde a uma matriz individual (Tensor 2D).

Dimensões superiores: e você pode continuar empilhando para obter dimensões ainda maiores.

A transição de tensores de menor para maior dimensionalidade pode parecer um salto, mas é uma progressão natural ao lidar com estruturas de dados. Quanto mais você se aprofunda nas arquiteturas de redes neurais, especialmente em redes neurais convolucionais (CNNs) ou redes neurais recorrentes (RNNs), mais você irá se deparar com esses casos. A complexidade aumenta, mas lembre-se: no fundo, eles são apenas contêineres de dados.

Importância no Deep Learning

A ênfase em tensores no deep learning decorre de sua uniformidade e eficiência. Eles oferecem uma estrutura consistente, permitindo que operações matemáticas sejam realizadas de forma fluida, especialmente em GPUs. Ao lidar com diferentes formas de dados em redes neurais, como imagens ou sons, os tensores simplificam a representação dos dados, garantindo a manutenção da forma, hierarquia e ordem.

Criação Básica de Tensor

Existem diversas maneiras de criar um tensor no TensorFlow, desde a geração de dados aleatórios ou estruturados até a importação de dados de um conjunto de dados predefinido ou mesmo de um arquivo. No entanto, por enquanto, o foco será no método mais simples – criar um tensor a partir de uma lista Python.


              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)

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 2

single

Deslize para mostrar o menu

Introdução aos Tensores

Esta seção oferece uma análise aprofundada dos Tensores, os componentes fundamentais do TensorFlow. Tensores são essenciais para fluxos de trabalho de aprendizado de máquina e aprendizado profundo. Este capítulo explora sua importância e aplicações.

O que são Tensores?

Tensores podem ser vistos como arrays multidimensionais. Imagine-os como contêineres de dados, armazenando valores em um formato estruturado e N-dimensional. Eles podem ser comparados a blocos de construção: individualmente, podem parecer simples, mas juntos podem formar estruturas complexas.

Tipos de Tensores

Você provavelmente já encontrou tensores antes, especialmente se já utilizou as bibliotecas NumPy e Pandas:

Escalares: apenas um número único. Este é um tensor de 0 dimensões. Exemplo: 5;
Vetores: um array de números. Este é um tensor de 1 dimensão. Exemplo: [1, 2, 3];
Matrizes: um tensor de 2 dimensões. Pense como uma grade de números. Exemplo:

[[1, 2]
 [3, 4]
 [5, 6]]

Tensores 3D: ao empilhar matrizes, obtém-se tensores 3D;

Nota

O Tensor 3D mostrado na animação acima pode ser representado como:

[[[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]]]

Cada linha corresponde a uma matriz individual (Tensor 2D).

Dimensões superiores: e você pode continuar empilhando para obter dimensões ainda maiores.

A transição de tensores de menor para maior dimensionalidade pode parecer um salto, mas é uma progressão natural ao lidar com estruturas de dados. Quanto mais você se aprofunda nas arquiteturas de redes neurais, especialmente em redes neurais convolucionais (CNNs) ou redes neurais recorrentes (RNNs), mais você irá se deparar com esses casos. A complexidade aumenta, mas lembre-se: no fundo, eles são apenas contêineres de dados.

Importância no Deep Learning

A ênfase em tensores no deep learning decorre de sua uniformidade e eficiência. Eles oferecem uma estrutura consistente, permitindo que operações matemáticas sejam realizadas de forma fluida, especialmente em GPUs. Ao lidar com diferentes formas de dados em redes neurais, como imagens ou sons, os tensores simplificam a representação dos dados, garantindo a manutenção da forma, hierarquia e ordem.

Criação Básica de Tensor

Existem diversas maneiras de criar um tensor no TensorFlow, desde a geração de dados aleatórios ou estruturados até a importação de dados de um conjunto de dados predefinido ou mesmo de um arquivo. No entanto, por enquanto, o foco será no método mais simples – criar um tensor a partir de uma lista Python.


              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)

Tarefa

Deslize para começar a programar

Você precisa construir tensores com dimensões de 1, 2 e 3. Você pode preenchê-los com quaisquer valores de sua escolha, mas garanta que mantenha o número especificado de dimensões. Consulte o exemplo fornecido anteriormente e, se estiver em dúvida, veja a dica.

Observação

As sublistas dentro de qualquer tensor devem ter comprimentos consistentes. Por exemplo, se um subtensor de um tensor 2D tem comprimento 3, todos os outros subtensores também devem ter esse comprimento. Enquanto [[1, 2], [1, 2]] é um tensor válido, [[1, 2], [1, 2, 3]] não é.

Solução

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 2

single

Pergunte à IA

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