Introductie tot Tensors
Wat is een tensor?
Enkele bijzondere gevallen van tensors zijn al bekend:
- Scalaire (0D tensor): een enkel getal, zoals
5of3.14; - Vector (1D tensor): een lijst met getallen, bijvoorbeeld
[1, 2, 3]; - Matrix (2D tensor): een tweedimensionaal raster van getallen, vergelijkbaar met een tabel met rijen en kolommen.
Hogere-dimensionale tensors (3D, 4D, enz.) breiden het concept van matrices uit naar extra dimensies. Een 3D-tensor kan bijvoorbeeld een afbeelding voorstellen met hoogte, breedte en kleurkanalen.
Hoewel de terminologie in het begin complex kan lijken, is het belangrijkste idee dat tensors eenvoudigweg containers zijn voor numerieke gegevens, vergelijkbaar met NumPy-arrays.
Tensors in PyTorch vs. NumPy-arrays
PyTorch-tensors gedragen zich op veel manieren vergelijkbaar met NumPy-arrays. Daarnaast werken indexering en slicing in tensors op dezelfde manier als in NumPy-arrays, dus deze onderwerpen worden in deze cursus niet behandeld.
PyTorch-tensors bieden echter extra voordelen, zoals:
- Native ondersteuning voor GPU-versnelling;
- Integratie met de deep learning-modules van PyTorch;
- Compatibiliteit met autograd, het automatische differentiatiehulpmiddel van PyTorch voor backpropagation.
Tensors aanmaken
PyTorch biedt verschillende manieren om tensors aan te maken. Een van de meest basale methoden is het creëren van een tensor uit een lijst of een NumPy-array. De aanbevolen manier hiervoor is door de gegevens door te geven aan de functie torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Maak direct een 3D-tensor aan vanuit een 3D-lijst zonder de lijst in een aparte variabele op te slaan. De tensor mag willekeurige afmetingen en elementen bevatten.
Oplossing
Bedankt voor je feedback!
single
Vraag AI
Vraag AI
Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.
What are some other ways to create tensors in PyTorch?
Can you explain more about the differences between PyTorch tensors and NumPy arrays?
How do higher-dimensional tensors work in practice?
Awesome!
Completion rate improved to 5Introductie tot Tensors
Veeg om het menu te tonen
Wat is een tensor?
Enkele bijzondere gevallen van tensors zijn al bekend:
- Scalaire (0D tensor): een enkel getal, zoals
5of3.14; - Vector (1D tensor): een lijst met getallen, bijvoorbeeld
[1, 2, 3]; - Matrix (2D tensor): een tweedimensionaal raster van getallen, vergelijkbaar met een tabel met rijen en kolommen.
Hogere-dimensionale tensors (3D, 4D, enz.) breiden het concept van matrices uit naar extra dimensies. Een 3D-tensor kan bijvoorbeeld een afbeelding voorstellen met hoogte, breedte en kleurkanalen.
Hoewel de terminologie in het begin complex kan lijken, is het belangrijkste idee dat tensors eenvoudigweg containers zijn voor numerieke gegevens, vergelijkbaar met NumPy-arrays.
Tensors in PyTorch vs. NumPy-arrays
PyTorch-tensors gedragen zich op veel manieren vergelijkbaar met NumPy-arrays. Daarnaast werken indexering en slicing in tensors op dezelfde manier als in NumPy-arrays, dus deze onderwerpen worden in deze cursus niet behandeld.
PyTorch-tensors bieden echter extra voordelen, zoals:
- Native ondersteuning voor GPU-versnelling;
- Integratie met de deep learning-modules van PyTorch;
- Compatibiliteit met autograd, het automatische differentiatiehulpmiddel van PyTorch voor backpropagation.
Tensors aanmaken
PyTorch biedt verschillende manieren om tensors aan te maken. Een van de meest basale methoden is het creëren van een tensor uit een lijst of een NumPy-array. De aanbevolen manier hiervoor is door de gegevens door te geven aan de functie torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Maak direct een 3D-tensor aan vanuit een 3D-lijst zonder de lijst in een aparte variabele op te slaan. De tensor mag willekeurige afmetingen en elementen bevatten.
Oplossing
Schakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande optiesBedankt voor je feedback!
single
