Introduksjon til Tensorer
Hva er en tensor?
Du er allerede kjent med noen spesielle tilfeller av tensorer:
- Skalar (0D tensor): et enkelt tall, som
5eller3.14; - Vektor (1D tensor): en liste med tall, for eksempel
[1, 2, 3]; - Matrise (2D tensor): et todimensjonalt rutenett av tall, som en tabell med rader og kolonner.
Tensores med høyere dimensjoner (3D, 4D, osv.) utvider konseptet matriser til flere dimensjoner. For eksempel kan en 3D-tensor representere et bilde med høyde, bredde og fargekanaler.
Selv om terminologien kan virke kompleks i begynnelsen, er hovedideen at tensorer rett og slett er beholdere for numeriske data, på samme måte som NumPy-arrays.
Tensorer i PyTorch vs. NumPy-arrays
PyTorch-tensorer oppfører seg på mange måter likt som NumPy-arrays. I tillegg fungerer indeksering og slicing i tensorer på samme måte som i NumPy-arrays, så vi vil ikke dekke disse temaene i dette kurset.
PyTorch-tensorer har imidlertid flere fordeler, som:
- Naturlig støtte for GPU-akselerasjon;
- Integrasjon med PyTorchs moduler for dyp læring;
- Kompatibilitet med autograd, PyTorchs verktøy for automatisk differensiering for backpropagation.
Opprette tensorer
PyTorch tilbyr flere måter å opprette tensorer på. En av de mest grunnleggende metodene er å opprette en tensor fra en liste eller et NumPy-array. Den anbefalte måten å gjøre dette på er å sende dataene til funksjonen torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Opprett en 3D-tensor direkte fra en 3D-liste uten å lagre listen i en egen variabel. Tensoren kan ha vilkårlige dimensjoner og inneholde tilfeldige elementer.
Løsning
Takk for tilbakemeldingene dine!
single
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 5Introduksjon til Tensorer
Sveip for å vise menyen
Hva er en tensor?
Du er allerede kjent med noen spesielle tilfeller av tensorer:
- Skalar (0D tensor): et enkelt tall, som
5eller3.14; - Vektor (1D tensor): en liste med tall, for eksempel
[1, 2, 3]; - Matrise (2D tensor): et todimensjonalt rutenett av tall, som en tabell med rader og kolonner.
Tensores med høyere dimensjoner (3D, 4D, osv.) utvider konseptet matriser til flere dimensjoner. For eksempel kan en 3D-tensor representere et bilde med høyde, bredde og fargekanaler.
Selv om terminologien kan virke kompleks i begynnelsen, er hovedideen at tensorer rett og slett er beholdere for numeriske data, på samme måte som NumPy-arrays.
Tensorer i PyTorch vs. NumPy-arrays
PyTorch-tensorer oppfører seg på mange måter likt som NumPy-arrays. I tillegg fungerer indeksering og slicing i tensorer på samme måte som i NumPy-arrays, så vi vil ikke dekke disse temaene i dette kurset.
PyTorch-tensorer har imidlertid flere fordeler, som:
- Naturlig støtte for GPU-akselerasjon;
- Integrasjon med PyTorchs moduler for dyp læring;
- Kompatibilitet med autograd, PyTorchs verktøy for automatisk differensiering for backpropagation.
Opprette tensorer
PyTorch tilbyr flere måter å opprette tensorer på. En av de mest grunnleggende metodene er å opprette en tensor fra en liste eller et NumPy-array. Den anbefalte måten å gjøre dette på er å sende dataene til funksjonen torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Opprett en 3D-tensor direkte fra en 3D-liste uten å lagre listen i en egen variabel. Tensoren kan ha vilkårlige dimensjoner og inneholde tilfeldige elementer.
Løsning
Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenforTakk for tilbakemeldingene dine!
Awesome!
Completion rate improved to 5single
