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. Визначити ранг тензора можна за допомогою атрибута .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}')

Примітка

Визначення списків Python структуровано на кількох рядках для кращої читабельності. Якщо записати його в один рядок, функціональність залишиться такою ж самою.

Shape (форма): описує, скільки значень міститься в 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:


              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}')

Примітка

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 мають різні типи даних. Хоча їх існує багато, найпоширеніші — це float32, int32 та string. Детальніше про типи даних тензорів буде розглянуто у наступних розділах. Тип даних тензора можна отримати за допомогою атрибута .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}')

Примітка

Тип даних тензора визначається вмістом, який він містить. Важливо, щоб усі елементи тензора були одного типу.

Вісі: вісі допомагають орієнтуватися у вимірах тензорів. Вказуючи вісь, можна визначити конкретний шар або напрямок у тензорі, що спрощує обробку та розуміння даних. Вісі безпосередньо відповідають розмірам форми. Кожна вісь відповідає певному значенню форми: 0-а вісь відповідає першому значенню форми, 1-а вісь — другому, і так далі.

Завдання

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.

Отже, ваші кроки:

Отримати властивості першого тензора.
Створити тензор, що відповідає зазначеним критеріям.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 3

single

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Властивості Тензорів

Властивості тензорів

Рішення