Proprietà dei Tensors

I tensori possiedono proprietà distintive che ne determinano la struttura e il modo in cui elaborano e memorizzano i dati.

Rango: indica il numero di dimensioni presenti nel tensore. Ad esempio, una matrice ha rango 2. È possibile ottenere il rango del tensore utilizzando l'attributo .ndim:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Nota

La definizione delle liste Python è strutturata su più righe per una maggiore leggibilità. Comprimerla in una sola riga dimostra che funziona allo stesso modo.

Shape: descrive quanti valori esistono in ciascuna dimensione. Una matrice 2x3 ha una shape pari a (2, 3). La lunghezza del parametro shape corrisponde al rango del tensore (il suo numero di dimensioni). È possibile ottenere la shape del tensore tramite l'attributo .shape:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Nota

Ottenere forme e ranghi dei tensori corretti è fondamentale nell'apprendimento profondo. Le discrepanze nelle dimensioni sono insidie comuni, specialmente durante la costruzione di modelli complessi in TensorFlow.

Tipi: i tensori sono disponibili in diversi tipi di dati. Sebbene ne esistano molti, alcuni tra i più comuni includono float32, int32 e string. Approfondiremo i tipi di dati dei tensori nei prossimi capitoli. È possibile ottenere il tipo di dato del tensore tramite l'attributo .dtype:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Nota

Il tipo di dato di un tensore è determinato dal contenuto che contiene. È fondamentale che tutti gli elementi all'interno del tensore siano dello stesso tipo.

Assi: gli assi aiutano a navigare tra le dimensioni dei tensori. Specificando un asse, è possibile individuare uno strato o una direzione specifica nel tensore, facilitando l'elaborazione e la comprensione dei dati. Gli assi corrispondono direttamente alle dimensioni della forma. Ogni asse corrisponde a un valore specifico della forma, con il 0° asse che si allinea al primo valore della forma, il 1° asse al secondo, e così via.

Compito

Swipe to start coding

In questo compito, ti vengono forniti due tensori. Il primo tensore è già stato creato per te; il tuo compito è visualizzare le sue proprietà utilizzando gli attributi rilevanti del tensore. Per il secondo tensore, dovrai costruirlo tu stesso secondo le seguenti specifiche:

Rango: 3.
Forma: (2, 4, 3).
Tipo di dato: float.

Quindi, i tuoi passaggi sono:

Recuperare le proprietà del primo tensore.
Costruire un tensore che soddisfi i criteri specificati.

Soluzione

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 3

single

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Suggested prompts:

Can you explain the difference between rank and shape in more detail?

How do I choose the right data type for my tensor?

Can you give an example of how axes are used in tensor operations?

Scorri per mostrare il menu

Proprietà dei Tensors

I tensori possiedono proprietà distintive che ne determinano la struttura e il modo in cui elaborano e memorizzano i dati.

Rango: indica il numero di dimensioni presenti nel tensore. Ad esempio, una matrice ha rango 2. È possibile ottenere il rango del tensore utilizzando l'attributo .ndim:


              1234567891011121314151617
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3])
tensor_2D = tf.constant([
    [1, 2], 
    [3, 4]
])
tensor_3D = tf.constant([
    [[1, 2], [3, 4]], 
    [[5, 6], [7, 8]]
])

# Get ranks
print(f'Rank of 1D tensor: {tensor_1D.ndim}')
print(f'Rank of 2D tensor: {tensor_2D.ndim}')
print(f'Rank of 3D tensor: {tensor_3D.ndim}')

Nota

La definizione delle liste Python è strutturata su più righe per una maggiore leggibilità. Comprimerla in una sola riga dimostra che funziona allo stesso modo.

Shape: descrive quanti valori esistono in ciascuna dimensione. Una matrice 2x3 ha una shape pari a (2, 3). La lunghezza del parametro shape corrisponde al rango del tensore (il suo numero di dimensioni). È possibile ottenere la shape del tensore tramite l'attributo .shape:


              123456789101112131415161718
            
import tensorflow as tf

# Create tensors
tensor_1D = tf.constant([1, 2, 3, 4])
tensor_2D = tf.constant([
    [1, 2, 3], 
    [4, 5, 6]
])
tensor_3D = tf.constant([
    [[1, 2, 3], [4, 5, 6]], 
    [[7, 8, 9], [10, 11, 12]],
    [[13, 14, 15], [16, 17, 18]]
])

# Get shapes
print(f'Shape of 1D tensor: {tensor_1D.shape}')
print(f'Shape of 2D tensor: {tensor_2D.shape}')
print(f'Shape of 3D tensor: {tensor_3D.shape}')

Nota

Tipi: i tensori sono disponibili in diversi tipi di dati. Sebbene ne esistano molti, alcuni tra i più comuni includono float32, int32 e string. Approfondiremo i tipi di dati dei tensori nei prossimi capitoli. È possibile ottenere il tipo di dato del tensore tramite l'attributo .dtype:


              1234567891011
            
import tensorflow as tf

# Create tensors
tensor_int = tf.constant([1, 2, 3, 4])
tensor_float = tf.constant([1., 2., 3., 4.])
tensor_string = tf.constant(['a', 'b', 'c', 'd'])

# Get data type
print(f'Data type of 1D tensor: {tensor_int.dtype}')
print(f'Data type of 2D tensor: {tensor_float.dtype}')
print(f'Data type of 3D tensor: {tensor_string.dtype}')

Nota

Il tipo di dato di un tensore è determinato dal contenuto che contiene. È fondamentale che tutti gli elementi all'interno del tensore siano dello stesso tipo.

Assi: gli assi aiutano a navigare tra le dimensioni dei tensori. Specificando un asse, è possibile individuare uno strato o una direzione specifica nel tensore, facilitando l'elaborazione e la comprensione dei dati. Gli assi corrispondono direttamente alle dimensioni della forma. Ogni asse corrisponde a un valore specifico della forma, con il 0° asse che si allinea al primo valore della forma, il 1° asse al secondo, e così via.

Compito

Swipe to start coding

Rango: 3.
Forma: (2, 4, 3).
Tipo di dato: float.

Quindi, i tuoi passaggi sono:

Recuperare le proprietà del primo tensore.
Costruire un tensore che soddisfi i criteri specificati.

Soluzione

Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 3

single

Proprietà dei Tensori

Proprietà dei Tensors

Soluzione

Proprietà dei Tensori

Proprietà dei Tensors

Soluzione