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

bookIntroduktion till Tensorer

Introduktion till Tensorer

Detta avsnitt ger en djupgående genomgång av tensorer, de grundläggande komponenterna i TensorFlow. Tensorer är centrala för arbetsflöden inom maskininlärning och djupinlärning. Detta kapitel undersöker deras betydelse och användningsområden.

Vad är tensorer?

Tensorer kan betraktas som flerdimensionella arrayer. Föreställ dig dem som databehållare som lagrar värden i ett strukturerat, N-dimensionellt format. De kan liknas vid byggstenar: var och en för sig kan verka enkel, men tillsammans kan de skapa komplexa strukturer.

Typer av tensorer

Du har faktiskt stött på tensorer tidigare, särskilt om du har arbetat med NumPy- och Pandas-biblioteken:

  • Skalärer: endast ett enskilt tal. Detta är en 0-dimensionell tensor. Exempel: 5;
  • Vektorer: en array av tal. Detta är en 1-dimensionell tensor. Exempel: [1, 2, 3];
  • Matriser: en 2-dimensionell tensor. Tänk på det som ett rutnät av tal. Exempel:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D-tensorer: om du staplar matriser får du 3D-tensorer;
Note
Notera

Den 3D-tensor som visas i animationen ovan kan representeras som:

[[[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]]]

Varje rad motsvarar en individuell matris (2D-tensor).

  • Högre dimensioner: och du kan fortsätta stapla för ännu högre dimensioner.

Övergången från lägre till högre dimensionella tensorer kan verka som ett stort steg, men det är en naturlig utveckling när man arbetar med datastrukturer. Ju djupare du går in i neurala nätverksarkitekturer, särskilt konvolutionella neurala nätverk (CNN) eller rekurrenta neurala nätverk (RNN), desto oftare kommer du att stöta på dessa. Komplexiteten ökar, men kom ihåg att de i grunden bara är databehållare.

Betydelse inom djupinlärning

Betoningen på tensorer inom djupinlärning beror på deras enhetlighet och effektivitet. De tillhandahåller en konsekvent struktur som möjliggör smidiga matematiska operationer, särskilt på GPU:er. Vid hantering av olika dataformer i neurala nätverk, såsom bilder eller ljud, förenklar tensorer datarepresentationen och säkerställer att form, hierarki och ordning bibehålls.

Grundläggande skapande av tensorer

Det finns många sätt att skapa en tensor i TensorFlow, från att generera slumpmässiga eller strukturerade data till att importera data från en fördefinierad datamängd eller till och med en fil. För tillfället fokuseras dock på den mest grundläggande metoden – att skapa en tensor från en Python-lista.

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)
copy
Uppgift

Swipe to start coding

Du behöver konstruera tensorer med dimensionerna 1, 2 och 3. Du kan fylla dem med vilka värden du vill, men se till att du behåller det angivna antalet dimensioner. Se exemplet som gavs tidigare, och om du är osäker, titta på tipset.

Observera

Alla delistor inom en tensor måste ha samma längd. Om en undertensor i en 2D-tensor har längden 3, ska alla andra undertensorer också ha den längden. Till exempel är [[1, 2], [1, 2]] en giltig tensor, medan [[1, 2], [1, 2, 3]] inte är det.

Lösning

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 2
single

single

Fråga AI

expand

Fråga AI

ChatGPT

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

close

Awesome!

Completion rate improved to 5.56

bookIntroduktion till Tensorer

Svep för att visa menyn

Introduktion till Tensorer

Detta avsnitt ger en djupgående genomgång av tensorer, de grundläggande komponenterna i TensorFlow. Tensorer är centrala för arbetsflöden inom maskininlärning och djupinlärning. Detta kapitel undersöker deras betydelse och användningsområden.

Vad är tensorer?

Tensorer kan betraktas som flerdimensionella arrayer. Föreställ dig dem som databehållare som lagrar värden i ett strukturerat, N-dimensionellt format. De kan liknas vid byggstenar: var och en för sig kan verka enkel, men tillsammans kan de skapa komplexa strukturer.

Typer av tensorer

Du har faktiskt stött på tensorer tidigare, särskilt om du har arbetat med NumPy- och Pandas-biblioteken:

  • Skalärer: endast ett enskilt tal. Detta är en 0-dimensionell tensor. Exempel: 5;
  • Vektorer: en array av tal. Detta är en 1-dimensionell tensor. Exempel: [1, 2, 3];
  • Matriser: en 2-dimensionell tensor. Tänk på det som ett rutnät av tal. Exempel:
[[1, 2]
 [3, 4]
 [5, 6]]
  • 3D-tensorer: om du staplar matriser får du 3D-tensorer;
Note
Notera

Den 3D-tensor som visas i animationen ovan kan representeras som:

[[[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]]]

Varje rad motsvarar en individuell matris (2D-tensor).

  • Högre dimensioner: och du kan fortsätta stapla för ännu högre dimensioner.

Övergången från lägre till högre dimensionella tensorer kan verka som ett stort steg, men det är en naturlig utveckling när man arbetar med datastrukturer. Ju djupare du går in i neurala nätverksarkitekturer, särskilt konvolutionella neurala nätverk (CNN) eller rekurrenta neurala nätverk (RNN), desto oftare kommer du att stöta på dessa. Komplexiteten ökar, men kom ihåg att de i grunden bara är databehållare.

Betydelse inom djupinlärning

Betoningen på tensorer inom djupinlärning beror på deras enhetlighet och effektivitet. De tillhandahåller en konsekvent struktur som möjliggör smidiga matematiska operationer, särskilt på GPU:er. Vid hantering av olika dataformer i neurala nätverk, såsom bilder eller ljud, förenklar tensorer datarepresentationen och säkerställer att form, hierarki och ordning bibehålls.

Grundläggande skapande av tensorer

Det finns många sätt att skapa en tensor i TensorFlow, från att generera slumpmässiga eller strukturerade data till att importera data från en fördefinierad datamängd eller till och med en fil. För tillfället fokuseras dock på den mest grundläggande metoden – att skapa en tensor från en Python-lista.

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)
copy
Uppgift

Swipe to start coding

Du behöver konstruera tensorer med dimensionerna 1, 2 och 3. Du kan fylla dem med vilka värden du vill, men se till att du behåller det angivna antalet dimensioner. Se exemplet som gavs tidigare, och om du är osäker, titta på tipset.

Observera

Alla delistor inom en tensor måste ha samma längd. Om en undertensor i en 2D-tensor har längden 3, ska alla andra undertensorer också ha den längden. Till exempel är [[1, 2], [1, 2]] en giltig tensor, medan [[1, 2], [1, 2, 3]] inte är det.

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 2
single

single

some-alt