Introduction aux Tenseurs

Qu'est-ce qu'un tenseur ?

Vous êtes déjà familier avec certains cas particuliers de tenseurs :

Scalaire (tenseur 0D) : un seul nombre, comme 5 ou 3.14;
Vecteur (tenseur 1D) : une liste de nombres, telle que [1, 2, 3];
Matrice (tenseur 2D) : une grille 2D de nombres, comme un tableau avec des lignes et des colonnes.

Tenseurs de dimensions supérieures (3D, 4D, etc.) étendent le concept de matrices à des dimensions supplémentaires. Par exemple, un tenseur 3D peut représenter une image avec hauteur, largeur et canaux de couleur.

Bien que la terminologie puisse sembler complexe au début, l'idée clé est que les tenseurs sont simplement des conteneurs pour des données numériques, tout comme les tableaux NumPy.

Tenseurs dans PyTorch vs. Tableaux NumPy

Les tenseurs PyTorch se comportent de manière similaire aux tableaux NumPy à bien des égards. De plus, l'indexation et le découpage dans les tenseurs fonctionnent de la même manière que dans les tableaux NumPy, donc nous ne couvrirons pas ces sujets dans ce cours.

Cependant, les tenseurs PyTorch offrent des avantages supplémentaires, tels que :

Support natif pour l'accélération GPU ;
Intégration avec les modules d'apprentissage profond de PyTorch ;
Compatibilité avec autograd, l'outil de différenciation automatique de PyTorch pour la rétropropagation.

Création de Tenseurs

PyTorch offre plusieurs façons de créer des tenseurs. L'une des approches les plus basiques est de créer un tenseur à partir d'une liste ou d'un tableau NumPy. La méthode recommandée pour ce faire est de passer les données à la fonction torch.tensor() :


              1234
            
import torch
data = [[1, 2], [3, 4]]
tensor = torch.tensor(data)
print(tensor)

Tâche

Swipe to start coding

Créez un tenseur 3D directement à partir d'une liste 3D sans stocker la liste dans une variable séparée. Le tenseur peut avoir n'importe quelles dimensions et contenir des éléments arbitraires.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 2

Introduction aux Tenseurs

Qu'est-ce qu'un tenseur ?

Vous êtes déjà familier avec certains cas particuliers de tenseurs :

Scalaire (tenseur 0D) : un seul nombre, comme 5 ou 3.14;
Vecteur (tenseur 1D) : une liste de nombres, telle que [1, 2, 3];
Matrice (tenseur 2D) : une grille 2D de nombres, comme un tableau avec des lignes et des colonnes.

Bien que la terminologie puisse sembler complexe au début, l'idée clé est que les tenseurs sont simplement des conteneurs pour des données numériques, tout comme les tableaux NumPy.

Tenseurs dans PyTorch vs. Tableaux NumPy

Cependant, les tenseurs PyTorch offrent des avantages supplémentaires, tels que :

Support natif pour l'accélération GPU ;
Intégration avec les modules d'apprentissage profond de PyTorch ;
Compatibilité avec autograd, l'outil de différenciation automatique de PyTorch pour la rétropropagation.

Création de Tenseurs


              1234
            
import torch
data = [[1, 2], [3, 4]]
tensor = torch.tensor(data)
print(tensor)

Tâche

Swipe to start coding

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 2

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous