Вступ до тензорів

У цьому розділі детально розглядаються тензори — основні компоненти TensorFlow. Тензори є невід'ємною частиною робочих процесів машинного та глибокого навчання. У цьому розділі буде розкрито їхнє значення та сфери застосування.

Що таке тензори?

Тензори можна розглядати як багатовимірні масиви. Уявіть їх як контейнери даних, які зберігають значення у структурованому N-вимірному форматі. Їх можна порівняти з будівельними блоками: окремо вони здаються простими, але разом утворюють складні структури.

Типи тензорів

Ви вже зустрічалися з тензорами раніше, особливо якщо працювали з бібліотеками NumPy та Pandas:

Скаляр: просто одне число. Це тензор нульової вимірності. Приклад: 5;
Вектор: масив чисел. Це тензор першої вимірності. Приклад: [1, 2, 3];
Матриця: тензор другої вимірності. Можна уявити як таблицю чисел. Приклад:

[[1, 2]
 [3, 4]
 [5, 6]]

3D тензори: якщо скласти матриці один на одного, отримаємо 3D тензори;

Примітка

3D тензор, показаний на анімації вище, можна представити так:

[[[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]]]

Кожен рядок відповідає окремій матриці (2D тензору).

Вищі виміри: і ви можете продовжувати додавати ще вищі виміри.

Перехід від тензорів нижчої вимірності до вищої може здаватися стрибком, але це природний процес при роботі з структурами даних. Чим глибше ви занурюєтесь у архітектури нейронних мереж, особливо згорткових нейронних мереж (CNN) або рекурентних нейронних мереж (RNN), тим частіше ви з ними стикаєтесь. Складність зростає, але пам'ятайте: по суті, це просто контейнери для даних.

Значення у глибокому навчанні

Зосередження уваги на тензорах у глибокому навчанні обумовлене їхньою однорідністю та ефективністю. Вони забезпечують послідовну структуру, що дозволяє виконувати математичні операції безперешкодно, особливо на GPU. Під час роботи з різними формами даних у нейронних мережах, такими як зображення чи звук, тензори спрощують представлення даних, забезпечуючи збереження форми, ієрархії та порядку.

Базове створення тензора

Існує багато способів створити тензор у TensorFlow: від генерації випадкових або структурованих даних до імпорту даних із попередньо визначеного набору чи навіть з файлу. Однак наразі зосередимося на найпростішому способі — створенні тензора з Python-списку.


              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)

Завдання

Проведіть, щоб почати кодувати

Вам потрібно створити тензори з розмірностями 1, 2 та 3. Ви можете заповнити їх будь-якими значеннями на свій розсуд, але обов'язково дотримуйтеся вказаної кількості вимірів. Зверніться до наведеного раніше прикладу, а якщо виникнуть труднощі — скористайтеся підказкою.

Примітка

Усі підсписки всередині будь-якого тензора повинні мати однакову довжину. Наприклад, якщо один підтензор 2D-тензора має довжину 3, усі інші підтензори також повинні мати таку ж довжину. Тензор [[1, 2], [1, 2]] є коректним, а [[1, 2], [1, 2, 3]] — ні.

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 2

single

Запитати АІ

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