Трансформації

Перетворення тензорів

У цьому уроці розглядаються розширені операції перетворення тензорів.

Перетворення тензорів є важливими при роботі з даними. З поглибленням у завдання глибокого навчання та науки про дані стає очевидним, що дані, з якими працюють, не завжди мають потрібний формат. У цьому уроці розглядаються методи TensorFlow, які дозволяють маніпулювати структурою та вмістом тензорів для задоволення конкретних вимог.

Зміна форми тензорів

Під час роботи з тензорами іноді виникає потреба змінити форму без зміни самих даних. У таких випадках використовується tf.reshape().

Як це працює:

Зміна форми змінює структуру тензора, але не його дані. Загальна кількість елементів до та після зміни форми має залишатися незмінною;
Операція виконується шляхом "заповнення" нової форми по рядках (зліва направо, зверху вниз).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Примітка

Під час вказування нової форми один з вимірів може бути -1. TensorFlow обчислить розмір цього виміру так, щоб загальний розмір залишався незмінним.

Це особливо корисно, коли потрібно передати тензори в нейронну мережу, але розміри не відповідають формі вхідних даних мережі.

Зрізи

Зрізи дозволяють отримати частину тензора. Це аналогічно зрізам списків у Python, але розширено для багатовимірних тензорів.

Як це працює:

tf.slice() витягує зріз із тензора. Потрібно вказати початковий індекс зрізу та розмір зрізу;
Якщо розмір дорівнює -1, це означає всі елементи у цьому вимірі.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Примітка

Завжди пам'ятати про нульову індексацію у TensorFlow, яка подібна до нативної індексації в Python. Корисно для виділення конкретних ознак або точок даних із більшого набору даних.

Модифікація даних

Існує інший спосіб зрізу, який також дозволяє змінювати оригінальні дані, подібно до зрізів масивів у NumPy.

Як це працює:

Використовуючи [], можна легко виконувати зрізи та індексацію тензорів, аналогічно до зрізів у NumPy. Цей підхід дозволяє вибирати конкретні рядки, стовпці або елементи тензора;
За допомогою tf.Variable() тензор стає змінним, що дозволяє напряму змінювати його за допомогою зрізів;
Для зміни значень вибраного підтензора використовуйте метод .assign() з тензором або списком, що відповідає його формі.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Примітка

Синтаксис зрізів у TensorFlow значною мірою натхненний NumPy, тому якщо ви знайомі з NumPy, перехід до механізму зрізів TensorFlow буде простим;
Завжди переконуйтеся, що використовуєте tf.Variable() для будь-яких операцій, які потребують змінності тензора.

Об'єднання

Об'єднання дозволяє з'єднувати кілька тензорів уздовж заданої осі.

Як це працює:

tf.concat() об'єднує тензори. Метод вимагає список тензорів, які потрібно об'єднати, і вісь, уздовж якої виконується операція;
Відлік осей починається з нуля. Вісь 0 означає рядки (вертикально), а вісь 1 — стовпці (горизонтально).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Примітка

Переконайтеся, що тензори, які ви об'єднуєте, мають однакові розміри по не об'єднуваних осях;
Ця операція подібна до numpy.concatenate(), але адаптована для тензорів TensorFlow.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 2. Розділ 3

single

Свайпніть щоб показати меню

Перетворення тензорів

У цьому уроці розглядаються розширені операції перетворення тензорів.

Зміна форми тензорів

Як це працює:

Зміна форми змінює структуру тензора, але не його дані. Загальна кількість елементів до та після зміни форми має залишатися незмінною;
Операція виконується шляхом "заповнення" нової форми по рядках (зліва направо, зверху вниз).


              1234567891011121314
            
import tensorflow as tf

# Create a tensor with shape (3, 2)
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])

# Reshape the tensor to shape (2, 3)
reshaped_tensor = tf.reshape(tensor, (2, 3))
print(reshaped_tensor)
print('-' * 50)

# Reshape the tensor to shape (6, 1); 
# The size of the first dimention is determined automatically
reshaped_tensor = tf.reshape(tensor, (-1, 1))
print(reshaped_tensor)

Примітка

Зрізи

Як це працює:

tf.slice() витягує зріз із тензора. Потрібно вказати початковий індекс зрізу та розмір зрізу;
Якщо розмір дорівнює -1, це означає всі елементи у цьому вимірі.


              12345678910111213
            
import tensorflow as tf

# Create a tensor
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Slice tensor to extract sub-tensor from index (0, 1) of size (1, 2)
sliced_tensor = tf.slice(tensor, begin=(0, 1), size=(1, 2))
print(sliced_tensor)
print('-' * 50)

# Slice tensor to extract sub-tensor from index (1, 0) of size (2, 2)
sliced_tensor = tf.slice(tensor, (1, 0), (2, 2))
print(sliced_tensor)

Примітка

Модифікація даних

Існує інший спосіб зрізу, який також дозволяє змінювати оригінальні дані, подібно до зрізів масивів у NumPy.

Як це працює:

Використовуючи [], можна легко виконувати зрізи та індексацію тензорів, аналогічно до зрізів у NumPy. Цей підхід дозволяє вибирати конкретні рядки, стовпці або елементи тензора;
За допомогою tf.Variable() тензор стає змінним, що дозволяє напряму змінювати його за допомогою зрізів;
Для зміни значень вибраного підтензора використовуйте метод .assign() з тензором або списком, що відповідає його формі.


              12345678910111213
            
import tensorflow as tf

# Create a mutable tensor
tensor = tf.Variable([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Change the entire first row 
tensor[0, :].assign([0, 0, 0])
print(tensor)
print('-' * 80)

# Modify the second and the third columns 
tensor[:, 1:3].assign(tf.fill((3,2), 1))
print(tensor)

Примітка

Синтаксис зрізів у TensorFlow значною мірою натхненний NumPy, тому якщо ви знайомі з NumPy, перехід до механізму зрізів TensorFlow буде простим;
Завжди переконуйтеся, що використовуєте tf.Variable() для будь-яких операцій, які потребують змінності тензора.

Об'єднання

Об'єднання дозволяє з'єднувати кілька тензорів уздовж заданої осі.

Як це працює:

tf.concat() об'єднує тензори. Метод вимагає список тензорів, які потрібно об'єднати, і вісь, уздовж якої виконується операція;
Відлік осей починається з нуля. Вісь 0 означає рядки (вертикально), а вісь 1 — стовпці (горизонтально).


              123456789101112131415161718
            
import tensorflow as tf

# Create two tensors
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9]])

# Concatenate tensors vertically (along rows)
concatenated_tensor = tf.concat([tensor1, tensor2], axis=0)
print(concatenated_tensor)
print('-' * 50)

# Create another set of tensors
tensor3 = tf.constant([[1, 2], [4, 5]])
tensor4 = tf.constant([[3], [6]])

# Concatenate tensors horizontally (along columns)
concatenated_tensor = tf.concat([tensor3, tensor4], axis=1)
print(concatenated_tensor)

Примітка

Переконайтеся, що тензори, які ви об'єднуєте, мають однакові розміри по не об'єднуваних осях;
Ця операція подібна до numpy.concatenate(), але адаптована для тензорів TensorFlow.

Завдання

Проведіть, щоб почати кодувати

Передумови

Ви працюєте з набором даних, що складається з показників різних сенсорів, розташованих у різних географічних точках. Ці сенсори фіксують погодні дані, такі як температура, тиск і нормалізовані географічні координати.

Однак під час збирання даних ви виявили, що деякі показники були записані некоректно.

Також ви отримали нові показники з інших сенсорів, які потрібно додати.

Інформація про набір даних

main_dataset: Тензор розмірності (6, 4), що містить 6 показників. Кожен рядок — це окремий зразок, а стовпці відповідають таким ознакам:
- Температура (у градусах Цельсія);
- Тиск (у гПа);
- Нормалізована широта;
- Нормалізована довгота.
error_correction_data: Тензор розмірності (2, 4), що містить 2 виправлені показники для некоректних даних у основному наборі.
additional_data: Тензор розмірності (3, 4), що містить 3 нові показники.

Мета

Підготуйте виправлений і повний набір даних для прогнозування погоди:

Виправлення даних:
- Ви з'ясували, що показники у 2-му та 5-му рядках main_dataset були некоректними. Замініть ці рядки у main_dataset рядками з error_correction_data.
Додавання нових даних:
- Об'єднайте main_dataset з additional_data, щоб включити нові показники.
Формування батчів:
- Для навчання пакетами розділіть набір даних на батчі по 3 показники в кожному. Змініть форму complete_dataset, де перший вимір — це розмір батча, а другий — кількість показників у батчі.

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 2. Розділ 3

single

Запитати АІ

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