Introduktion till Tensorer
Vad är en tensor?
Du är redan bekant med vissa specialfall av tensorer:
- Skalär (0D-tensor): ett enskilt tal, såsom
5eller3.14; - Vektor (1D-tensor): en lista med tal, till exempel
[1, 2, 3]; - Matris (2D-tensor): ett tvådimensionellt rutnät av tal, likt en tabell med rader och kolumner.
Tensorer med högre dimensioner (3D, 4D, etc.) utökar konceptet matriser till fler dimensioner. Till exempel kan en 3D-tensor representera en bild med höjd, bredd och färgkanaler.
Även om terminologin kan verka komplicerad till en början, är huvudidén att tensorer helt enkelt är behållare för numerisk data, likt NumPy-arrayer.
Tensorer i PyTorch vs. NumPy-arrayer
PyTorch-tensorer beter sig på många sätt likt NumPy-arrayer. Dessutom fungerar indexering och slicing i tensorer på samma sätt som i NumPy-arrayer, så dessa ämnen kommer inte att behandlas i denna kurs.
PyTorch-tensorer erbjuder dock ytterligare fördelar, såsom:
- Inbyggt stöd för GPU-acceleration;
- Integration med PyTorchs djupinlärningsmoduler;
- Kompatibilitet med autograd, PyTorchs verktyg för automatisk differentiering för backpropagation.
Skapa tensorer
PyTorch tillhandahåller flera sätt att skapa tensorer. Ett av de mest grundläggande sätten är att skapa en tensor från en lista eller en NumPy-array. Det rekommenderade sättet att göra detta är att skicka datan till funktionen torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Skapa en 3D-tensor direkt från en 3D-lista utan att lagra listan i en separat variabel. Tensors kan ha valfria dimensioner och innehålla godtyckliga element.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
What are some other ways to create tensors in PyTorch?
Can you explain more about the differences between PyTorch tensors and NumPy arrays?
How do higher-dimensional tensors work in practice?
Awesome!
Completion rate improved to 5Introduktion till Tensorer
Svep för att visa menyn
Vad är en tensor?
Du är redan bekant med vissa specialfall av tensorer:
- Skalär (0D-tensor): ett enskilt tal, såsom
5eller3.14; - Vektor (1D-tensor): en lista med tal, till exempel
[1, 2, 3]; - Matris (2D-tensor): ett tvådimensionellt rutnät av tal, likt en tabell med rader och kolumner.
Tensorer med högre dimensioner (3D, 4D, etc.) utökar konceptet matriser till fler dimensioner. Till exempel kan en 3D-tensor representera en bild med höjd, bredd och färgkanaler.
Även om terminologin kan verka komplicerad till en början, är huvudidén att tensorer helt enkelt är behållare för numerisk data, likt NumPy-arrayer.
Tensorer i PyTorch vs. NumPy-arrayer
PyTorch-tensorer beter sig på många sätt likt NumPy-arrayer. Dessutom fungerar indexering och slicing i tensorer på samma sätt som i NumPy-arrayer, så dessa ämnen kommer inte att behandlas i denna kurs.
PyTorch-tensorer erbjuder dock ytterligare fördelar, såsom:
- Inbyggt stöd för GPU-acceleration;
- Integration med PyTorchs djupinlärningsmoduler;
- Kompatibilitet med autograd, PyTorchs verktyg för automatisk differentiering för backpropagation.
Skapa tensorer
PyTorch tillhandahåller flera sätt att skapa tensorer. Ett av de mest grundläggande sätten är att skapa en tensor från en lista eller en NumPy-array. Det rekommenderade sättet att göra detta är att skicka datan till funktionen torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Skapa en 3D-tensor direkt från en 3D-lista utan att lagra listan i en separat variabel. Tensors kan ha valfria dimensioner och innehålla godtyckliga element.
Lösning
Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedanTack för dina kommentarer!
single
