Tensoreiden Esittely
Mikä on tensori?
Olet jo entuudestaan tuttu tensorien erityistapauksista:
- Skalaari (0D-tensori): yksittäinen luku, kuten
5tai3.14; - Vektori (1D-tensori): lukulista, esimerkiksi
[1, 2, 3]; - Matriisi (2D-tensori): kaksidimensionaalinen lukuruudukko, kuten taulukko riveineen ja sarakkeineen.
Korkeamman ulottuvuuden tensorit (3D, 4D, jne.) laajentavat matriisien käsitteen useampiin ulottuvuuksiin. Esimerkiksi 3D-tensori voi kuvata kuvan, jossa on korkeus, leveys ja värikanavat.
Vaikka terminologia saattaa aluksi vaikuttaa monimutkaiselta, tärkein ajatus on, että tensorit ovat yksinkertaisesti numeerisen datan säiliöitä, aivan kuten NumPy-taulukot.
Tensorit PyTorchissa vs. NumPy-taulukot
PyTorch-tensorit käyttäytyvät monin tavoin samalla tavalla kuin NumPy-taulukot. Lisäksi tensorien indeksointi ja viipalointi toimivat samalla tavalla kuin NumPy-taulukoissa, joten emme käsittele näitä aiheita tässä kurssissa.
PyTorch-tensorit tarjoavat kuitenkin lisäetuja, kuten:
- Luontainen tuki GPU-kiihdytykselle;
- Integraatio PyTorchin syväoppimismoduuleihin;
- Yhteensopivuus autogradin, PyTorchin automaattisen differentiaatiotyökalun, kanssa takaisinkytkentää varten.
Tensorien luominen
PyTorch tarjoaa useita tapoja luoda tensoreita. Yksi perusmenetelmistä on luoda tensori listasta tai NumPy-taulukosta. Suositeltu tapa tehdä tämä on välittää data torch.tensor() -funktiolle:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Luo 3D-tensori suoraan 3D-listasta ilman, että tallennat listaa erilliseen muuttujaan. Tensorilla voi olla mitkä tahansa ulottuvuudet ja se voi sisältää mitä tahansa alkioita.
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Awesome!
Completion rate improved to 5Tensoreiden Esittely
Pyyhkäise näyttääksesi valikon
Mikä on tensori?
Olet jo entuudestaan tuttu tensorien erityistapauksista:
- Skalaari (0D-tensori): yksittäinen luku, kuten
5tai3.14; - Vektori (1D-tensori): lukulista, esimerkiksi
[1, 2, 3]; - Matriisi (2D-tensori): kaksidimensionaalinen lukuruudukko, kuten taulukko riveineen ja sarakkeineen.
Korkeamman ulottuvuuden tensorit (3D, 4D, jne.) laajentavat matriisien käsitteen useampiin ulottuvuuksiin. Esimerkiksi 3D-tensori voi kuvata kuvan, jossa on korkeus, leveys ja värikanavat.
Vaikka terminologia saattaa aluksi vaikuttaa monimutkaiselta, tärkein ajatus on, että tensorit ovat yksinkertaisesti numeerisen datan säiliöitä, aivan kuten NumPy-taulukot.
Tensorit PyTorchissa vs. NumPy-taulukot
PyTorch-tensorit käyttäytyvät monin tavoin samalla tavalla kuin NumPy-taulukot. Lisäksi tensorien indeksointi ja viipalointi toimivat samalla tavalla kuin NumPy-taulukoissa, joten emme käsittele näitä aiheita tässä kurssissa.
PyTorch-tensorit tarjoavat kuitenkin lisäetuja, kuten:
- Luontainen tuki GPU-kiihdytykselle;
- Integraatio PyTorchin syväoppimismoduuleihin;
- Yhteensopivuus autogradin, PyTorchin automaattisen differentiaatiotyökalun, kanssa takaisinkytkentää varten.
Tensorien luominen
PyTorch tarjoaa useita tapoja luoda tensoreita. Yksi perusmenetelmistä on luoda tensori listasta tai NumPy-taulukosta. Suositeltu tapa tehdä tämä on välittää data torch.tensor() -funktiolle:
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Luo 3D-tensori suoraan 3D-listasta ilman, että tallennat listaa erilliseen muuttujaan. Tensorilla voi olla mitkä tahansa ulottuvuudet ja se voi sisältää mitä tahansa alkioita.
Ratkaisu
Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoistaKiitos palautteestasi!
Awesome!
Completion rate improved to 5single
