Introducción a los Tensores
¿Qué es un tensor?
Ya se conocen algunos casos especiales de tensores:
- Escalar (tensor 0D): un solo número, como
5
o3.14
; - Vector (tensor 1D): una lista de números, como
[1, 2, 3]
; - Matriz (tensor 2D): una cuadrícula bidimensional de números, como una tabla con filas y columnas.
Tensores de mayor dimensión (3D, 4D, etc.) amplían el concepto de matrices a dimensiones adicionales. Por ejemplo, un tensor 3D puede representar una imagen con altura, anchura y canales de color.
Aunque la terminología puede parecer compleja al principio, la idea clave es que los tensores son simplemente contenedores de datos numéricos, muy similares a los arrays de NumPy.
Tensores en PyTorch vs. Arrays de NumPy
Los tensores de PyTorch se comportan de manera similar a los arrays de NumPy en muchos aspectos. Además, la indexación y el corte en tensores funcionan igual que en los arrays de NumPy, por lo que no abordaremos estos temas en este curso.
Sin embargo, los tensores de PyTorch ofrecen ventajas adicionales, tales como:
- Soporte nativo para aceleración por GPU;
- Integración con los módulos de aprendizaje profundo de PyTorch;
- Compatibilidad con autograd, la herramienta de diferenciación automática de PyTorch para la retropropagación.
Creación de tensores
PyTorch proporciona varias formas de crear tensores. Uno de los enfoques más básicos es crear un tensor a partir de una lista o un array de NumPy. La forma recomendada de hacerlo es pasando los datos a la función torch.tensor()
:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Crear un tensor 3D directamente a partir de una lista 3D sin almacenar la lista en una variable separada. El tensor puede tener cualquier dimensión y contener elementos arbitrarios.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 5
Introducción a los Tensores
Desliza para mostrar el menú
¿Qué es un tensor?
Ya se conocen algunos casos especiales de tensores:
- Escalar (tensor 0D): un solo número, como
5
o3.14
; - Vector (tensor 1D): una lista de números, como
[1, 2, 3]
; - Matriz (tensor 2D): una cuadrícula bidimensional de números, como una tabla con filas y columnas.
Tensores de mayor dimensión (3D, 4D, etc.) amplían el concepto de matrices a dimensiones adicionales. Por ejemplo, un tensor 3D puede representar una imagen con altura, anchura y canales de color.
Aunque la terminología puede parecer compleja al principio, la idea clave es que los tensores son simplemente contenedores de datos numéricos, muy similares a los arrays de NumPy.
Tensores en PyTorch vs. Arrays de NumPy
Los tensores de PyTorch se comportan de manera similar a los arrays de NumPy en muchos aspectos. Además, la indexación y el corte en tensores funcionan igual que en los arrays de NumPy, por lo que no abordaremos estos temas en este curso.
Sin embargo, los tensores de PyTorch ofrecen ventajas adicionales, tales como:
- Soporte nativo para aceleración por GPU;
- Integración con los módulos de aprendizaje profundo de PyTorch;
- Compatibilidad con autograd, la herramienta de diferenciación automática de PyTorch para la retropropagación.
Creación de tensores
PyTorch proporciona varias formas de crear tensores. Uno de los enfoques más básicos es crear un tensor a partir de una lista o un array de NumPy. La forma recomendada de hacerlo es pasando los datos a la función torch.tensor()
:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Crear un tensor 3D directamente a partir de una lista 3D sin almacenar la lista en una variable separada. El tensor puede tener cualquier dimensión y contener elementos arbitrarios.
Solución
¡Gracias por tus comentarios!
Awesome!
Completion rate improved to 5single