Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lära Tensorers Egenskaper | Tensorer
Introduktion till Tensorflow

bookTensorers Egenskaper

Tensorers egenskaper

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

  • Rang: anger antal dimensioner som finns i tensorn. Till exempel har en matris rang 2. Rang för en tensor kan erhållas 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}')
copy
Note
Observera

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 formen på tensorn 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}')
copy
Note
Observera

Att säkerställa korrekta tensorformer och -grader är avgörande inom djupinlärning. Dimensionsfel är vanliga fallgropar, särskilt vid konstruktion av 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 tensordatatypers detaljer i kommande kapitel. Du kan hämta 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}')
copy
Note
Observera

Datatypen för en tensor bestäms av innehållet den har. Det är avgörande 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 0:e axeln stämmer överens med det första formvärdet, 1:a axeln med det andra, och så vidare.
Uppgift

Swipe to start coding

I den här uppgiften 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:

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

Lösning

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 3
single

single

Fråga AI

expand

Fråga AI

ChatGPT

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

Suggested prompts:

Can you explain the difference between rank and shape in more detail?

How do I choose the right data type for my tensor?

Can you give an example of how axes are used in tensor operations?

close

Awesome!

Completion rate improved to 5.56

bookTensorers Egenskaper

Svep för att visa menyn

Tensorers egenskaper

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

  • Rang: anger antal dimensioner som finns i tensorn. Till exempel har en matris rang 2. Rang för en tensor kan erhållas 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}')
copy
Note
Observera

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 formen på tensorn 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}')
copy
Note
Observera

Att säkerställa korrekta tensorformer och -grader är avgörande inom djupinlärning. Dimensionsfel är vanliga fallgropar, särskilt vid konstruktion av 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 tensordatatypers detaljer i kommande kapitel. Du kan hämta 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}')
copy
Note
Observera

Datatypen för en tensor bestäms av innehållet den har. Det är avgörande 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 0:e axeln stämmer överens med det första formvärdet, 1:a axeln med det andra, och så vidare.
Uppgift

Swipe to start coding

I den här uppgiften 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:

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

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 3
single

single

some-alt