Introduktion till Tensorer
Vad är en tensor?
En tensor är ett generaliserat matematiskt objekt som kan representera data i en eller flera dimensioner. Tänk på en tensor som en multidimensionell array.
Du är redan bekant med vissa specialfall av tensorer:
- Skalär (0D-tensor): ett enskilt tal, som
5eller3.14; - Vektor (1D-tensor): en lista med tal, såsom
[1, 2, 3]; - Matris (2D-tensor): ett tvådimensionellt rutnät av tal, likt en tabell med rader och kolumner.
Högdimensionella tensorer (3D, 4D, etc.) utökar begreppet matriser till fler dimensioner. Till exempel kan en 3D-tensor representera en bild med höjd, bredd och färgkanaler.
Även om terminologin kan verka komplex till en början är huvudidén att tensorer helt enkelt är behållare för numerisk data, liknande 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 erbjuder 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 är att skicka in data 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 godtyckliga dimensioner och innehålla valfria 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
Fantastiskt!
Completion betyg förbättrat till 5Introduktion till Tensorer
Svep för att visa menyn
Vad är en tensor?
En tensor är ett generaliserat matematiskt objekt som kan representera data i en eller flera dimensioner. Tänk på en tensor som en multidimensionell array.
Du är redan bekant med vissa specialfall av tensorer:
- Skalär (0D-tensor): ett enskilt tal, som
5eller3.14; - Vektor (1D-tensor): en lista med tal, såsom
[1, 2, 3]; - Matris (2D-tensor): ett tvådimensionellt rutnät av tal, likt en tabell med rader och kolumner.
Högdimensionella tensorer (3D, 4D, etc.) utökar begreppet matriser till fler dimensioner. Till exempel kan en 3D-tensor representera en bild med höjd, bredd och färgkanaler.
Även om terminologin kan verka komplex till en början är huvudidén att tensorer helt enkelt är behållare för numerisk data, liknande 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 erbjuder 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 är att skicka in data 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 godtyckliga dimensioner och innehålla valfria element.
Lösning
Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedanTack för dina kommentarer!
single
