Вивчайте Перетворення

Секція 1. Розділ 10

single

Свайпніть щоб показати меню

Перетворення тензорів є ключовими при роботі з даними. Зі зростанням досвіду у сфері глибокого навчання та задачах обробки даних стає очевидним, що отримані дані не завжди мають потрібний формат. У цьому уроці розглядаються методи TensorFlow, які дозволяють змінювати структуру та вміст тензорів відповідно до конкретних вимог.

Зміна форми тензорів

Під час роботи з тензорами іноді виникає необхідність змінити форму без зміни самих даних. У таких випадках корисною є функція 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 одна з вимірностей може бути -1. TensorFlow обчислить розмір цієї вимірності 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 допомагають 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 цій вимірності.


              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’ятайте про нульову індексацію у TensorFlow, яка подібна до нативної індексації в Python. Корисно для вибірки конкретних ознак або 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;
З 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 переконайтеся, що використовуєте tf.Variable() для будь-яких операцій, які потребують змінності тензора.

Об'єднання (Concatenating)

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, та вісь, уздовж якої виконується операція;
Відлік осей починається з нуля. Вісь 0 відповідає рядкам (вертикально), а вісь 1 — стовпцям (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 конкатенованих осях;
Ця операція подібна до numpy.concatenate(), але адаптована для тензорів TensorFlow.

Завдання

Swipe to start coding

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 обробки 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 помилкових даних у основному наборі.
additional_data: Тензор розмірності (3, 4), що містить 3 нові показники.

Завдання

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 на відповідні рядки з error_correction_data.
Додавання нових даних:
- Об'єднайте main_dataset з additional_data, щоб додати 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 1. Розділ 10

single

Запитати АІ

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