Introduktion til Tensorer
Hvad er en tensor?
Du er allerede bekendt med nogle specielle tilfælde af tensorer:
- Skalar (0D tensor): et enkelt tal, såsom
5eller3.14; - Vektor (1D tensor): en liste af tal, såsom
[1, 2, 3]; - Matrix (2D tensor): et todimensionelt gitter af tal, som en tabel med rækker og kolonner.
Tensorer med højere dimensioner (3D, 4D, osv.) udvider konceptet matrix til yderligere dimensioner. For eksempel kan en 3D-tensor repræsentere et billede med højde, bredde og farvekanaler.
Selvom terminologien kan virke kompleks i starten, er hovedideen, at tensores blot er beholdere for numeriske data, ligesom NumPy-arrays.
Tensors i PyTorch vs. NumPy-arrays
PyTorch-tensores opfører sig på mange måder ligesom NumPy-arrays. Desuden fungerer indeksering og slicing i tensores på samme måde som i NumPy-arrays, så vi vil ikke dække disse emner i dette kursus.
Dog tilbyder PyTorch-tensores yderligere fordele, såsom:
- Naturlig understøttelse af GPU-acceleration;
- Integration med PyTorchs dybdelæringsmoduler;
- Kompatibilitet med autograd, PyTorchs automatiske differentieringsværktøj til backpropagation.
Oprettelse af tensores
PyTorch tilbyder flere måder at oprette tensores på. En af de mest grundlæggende metoder er at oprette en tensor ud fra en liste eller et NumPy-array. Den anbefalede måde at gøre dette på er ved at sende dataene til funktionen torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Opret en 3D-tensor direkte fra en 3D-liste uden at gemme listen i en separat variabel. Tensoren kan have vilkårlige dimensioner og indeholde tilfældige elementer.
Løsning
Tak for dine kommentarer!
single
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
What are some other ways to create tensors in PyTorch?
Can you explain more about the differences between PyTorch tensors and NumPy arrays?
How do higher-dimensional tensors work in practice?
Awesome!
Completion rate improved to 5Introduktion til Tensorer
Stryg for at vise menuen
Hvad er en tensor?
Du er allerede bekendt med nogle specielle tilfælde af tensorer:
- Skalar (0D tensor): et enkelt tal, såsom
5eller3.14; - Vektor (1D tensor): en liste af tal, såsom
[1, 2, 3]; - Matrix (2D tensor): et todimensionelt gitter af tal, som en tabel med rækker og kolonner.
Tensorer med højere dimensioner (3D, 4D, osv.) udvider konceptet matrix til yderligere dimensioner. For eksempel kan en 3D-tensor repræsentere et billede med højde, bredde og farvekanaler.
Selvom terminologien kan virke kompleks i starten, er hovedideen, at tensores blot er beholdere for numeriske data, ligesom NumPy-arrays.
Tensors i PyTorch vs. NumPy-arrays
PyTorch-tensores opfører sig på mange måder ligesom NumPy-arrays. Desuden fungerer indeksering og slicing i tensores på samme måde som i NumPy-arrays, så vi vil ikke dække disse emner i dette kursus.
Dog tilbyder PyTorch-tensores yderligere fordele, såsom:
- Naturlig understøttelse af GPU-acceleration;
- Integration med PyTorchs dybdelæringsmoduler;
- Kompatibilitet med autograd, PyTorchs automatiske differentieringsværktøj til backpropagation.
Oprettelse af tensores
PyTorch tilbyder flere måder at oprette tensores på. En af de mest grundlæggende metoder er at oprette en tensor ud fra en liste eller et NumPy-array. Den anbefalede måde at gøre dette på er ved at sende dataene til funktionen torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Opret en 3D-tensor direkte fra en 3D-liste uden at gemme listen i en separat variabel. Tensoren kan have vilkårlige dimensioner og indeholde tilfældige elementer.
Løsning
Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående mulighederTak for dine kommentarer!
single
