Tensorers Egenskaper

Tensorers egenskaper

Tensorer har särskilda egenskaper som bestämmer deras struktur samt hur de bearbetar och lagrar data.

Rang: anger antalet dimensioner som finns i tensorn. Till exempel har en matris en rang på 2. Du kan få rang på tensorn med attributet .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}')

Notering

Definitionen av Python-listor är strukturerad över flera rader för tydligare läsbarhet. Om du skriver allt på en rad fungerar det på samma sätt.

Shape: detta beskriver hur många värden som finns i varje dimension. En 2x3-matris har formen (2, 3). Längden på shape-parametern motsvarar tensorens rang (dess antal dimensioner). Du kan hämta tensorens shape med attributet .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}')

Notering

Att ha korrekta tensorformer och tensorgrader är avgörande inom djupinlärning. Dimensionsfel är vanliga fallgropar, särskilt när man bygger komplexa modeller i TensorFlow.

Typer: tensorer finns i olika datatyper. Även om det finns många, är några vanliga float32, int32 och string. Vi kommer att fördjupa oss i tensorers datatyper i kommande kapitel. Du kan få datatypen för en tensor med attributet .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}')

Notera

Datatypen för en tensor bestäms av innehållet den har. Det är viktigt att alla element i tensorn är av samma typ.

Axlar: axlar hjälper oss att navigera genom tensorers dimensioner. Genom att specificera en axel kan du identifiera ett specifikt lager eller en riktning i tensorn, vilket gör det enklare att bearbeta och förstå datan. Axlar motsvarar direkt formens dimensioner. Varje axel motsvarar ett specifikt formvärde, där axel 0 stämmer överens med det första formvärdet, axel 1 med det andra, och så vidare.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 3

single

Svep för att visa menyn

Tensorers egenskaper

Tensorer har särskilda egenskaper som bestämmer deras struktur samt hur de bearbetar och lagrar data.

Rang: anger antalet dimensioner som finns i tensorn. Till exempel har en matris en rang på 2. Du kan få rang på tensorn med attributet .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}')

Notering

Definitionen av Python-listor är strukturerad över flera rader för tydligare läsbarhet. Om du skriver allt på en rad fungerar det på samma sätt.

Shape: detta beskriver hur många värden som finns i varje dimension. En 2x3-matris har formen (2, 3). Längden på shape-parametern motsvarar tensorens rang (dess antal dimensioner). Du kan hämta tensorens shape med attributet .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}')

Notering

Att ha korrekta tensorformer och tensorgrader är avgörande inom djupinlärning. Dimensionsfel är vanliga fallgropar, särskilt när man bygger komplexa modeller i TensorFlow.

Typer: tensorer finns i olika datatyper. Även om det finns många, är några vanliga float32, int32 och string. Vi kommer att fördjupa oss i tensorers datatyper i kommande kapitel. Du kan få datatypen för en tensor med attributet .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}')

Notera

Datatypen för en tensor bestäms av innehållet den har. Det är viktigt att alla element i tensorn är av samma typ.

Axlar: axlar hjälper oss att navigera genom tensorers dimensioner. Genom att specificera en axel kan du identifiera ett specifikt lager eller en riktning i tensorn, vilket gör det enklare att bearbeta och förstå datan. Axlar motsvarar direkt formens dimensioner. Varje axel motsvarar ett specifikt formvärde, där axel 0 stämmer överens med det första formvärdet, axel 1 med det andra, och så vidare.

Uppgift

Svep för att börja koda

I denna uppgift får du två tensorer. Den första tensorn är redan skapad åt dig; din uppgift är att visa dess egenskaper med hjälp av relevanta tensorattribut. För den andra tensorn behöver du skapa den själv med följande specifikationer:

Rang: 3.
Form: (2, 4, 3).
Datatyp: float.

Dina steg är alltså:

Hämta egenskaperna för den första tensorn.
Skapa en tensor som uppfyller de angivna kriterierna.

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 3

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal