Властивості Тензорів
Властивості тензорів
Тензори мають характерні властивості, які визначають їхню структуру, а також спосіб обробки та зберігання даних.
- Ранг: вказує на кількість вимірів у тензорі. Наприклад, матриця має ранг 2. Дізнатися ранг тензора можна за допомогою атрибута
.ndim:
1234567891011121314151617import 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}')
Визначення списків Python структуровано на кількох рядках для кращої читабельності. Якщо записати його в один рядок, функціональність залишиться незмінною.
- Shape: описує кількість значень у кожному вимірі. Матриця 2x3 має форму
(2, 3). Довжина параметра shape відповідає рангу тензора (кількість його вимірів). Дізнатися форму тензора можна за допомогою атрибута.shape:
123456789101112131415161718import 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}')
Правильне визначення форм і рангів тензорів є критично важливим у глибокому навчанні. Невідповідність розмірностей — поширена помилка, особливо під час створення складних моделей у TensorFlow.
- Типи: тензори бувають різних типів даних. Хоча їх існує багато, найпоширеніші — це
float32,int32таstring. Ми детальніше розглянемо типи даних тензорів у наступних розділах. Ви можете отримати тип даних тензора за допомогою атрибута.dtype:
1234567891011import 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}')
Тип даних тензора визначається вмістом, який він містить. Важливо, щоб усі елементи тензора були одного типу.
- Осі: осі допомагають орієнтуватися у вимірах тензорів. Вказуючи вісь, можна визначити конкретний шар або напрямок у тензорі, що спрощує обробку та розуміння даних. Осі безпосередньо відповідають розмірам форми. Кожна вісь відповідає певному значенню форми: 0-та вісь відповідає першому значенню форми, 1-ша вісь — другому, і так далі.
Swipe to start coding
У цьому завданні вам надано два тензори. Перший тензор вже створено для вас; ваше завдання — відобразити його властивості за допомогою відповідних атрибутів тензора. Другий тензор потрібно створити самостійно з такими характеристиками:
- Ранг:
3. - Форма:
(2, 4, 3). - Тип даних:
float.
Ваші кроки:
- Отримати властивості першого тензора.
- Створити тензор, який відповідає зазначеним критеріям.
Рішення
Дякуємо за ваш відгук!
single
Запитати АІ
Запитати АІ
Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат
Awesome!
Completion rate improved to 5.56Властивості Тензорів
Свайпніть щоб показати меню
Властивості тензорів
Тензори мають характерні властивості, які визначають їхню структуру, а також спосіб обробки та зберігання даних.
- Ранг: вказує на кількість вимірів у тензорі. Наприклад, матриця має ранг 2. Дізнатися ранг тензора можна за допомогою атрибута
.ndim:
1234567891011121314151617import 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}')
Визначення списків Python структуровано на кількох рядках для кращої читабельності. Якщо записати його в один рядок, функціональність залишиться незмінною.
- Shape: описує кількість значень у кожному вимірі. Матриця 2x3 має форму
(2, 3). Довжина параметра shape відповідає рангу тензора (кількість його вимірів). Дізнатися форму тензора можна за допомогою атрибута.shape:
123456789101112131415161718import 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}')
Правильне визначення форм і рангів тензорів є критично важливим у глибокому навчанні. Невідповідність розмірностей — поширена помилка, особливо під час створення складних моделей у TensorFlow.
- Типи: тензори бувають різних типів даних. Хоча їх існує багато, найпоширеніші — це
float32,int32таstring. Ми детальніше розглянемо типи даних тензорів у наступних розділах. Ви можете отримати тип даних тензора за допомогою атрибута.dtype:
1234567891011import 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}')
Тип даних тензора визначається вмістом, який він містить. Важливо, щоб усі елементи тензора були одного типу.
- Осі: осі допомагають орієнтуватися у вимірах тензорів. Вказуючи вісь, можна визначити конкретний шар або напрямок у тензорі, що спрощує обробку та розуміння даних. Осі безпосередньо відповідають розмірам форми. Кожна вісь відповідає певному значенню форми: 0-та вісь відповідає першому значенню форми, 1-ша вісь — другому, і так далі.
Swipe to start coding
У цьому завданні вам надано два тензори. Перший тензор вже створено для вас; ваше завдання — відобразити його властивості за допомогою відповідних атрибутів тензора. Другий тензор потрібно створити самостійно з такими характеристиками:
- Ранг:
3. - Форма:
(2, 4, 3). - Тип даних:
float.
Ваші кроки:
- Отримати властивості першого тензора.
- Створити тензор, який відповідає зазначеним критеріям.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
single
