Introdução aos Tensores
O que é um Tensor?
Você já está familiarizado com alguns casos especiais de tensores:
- Escalar (tensor 0D): um único número, como
5ou3.14; - Vetor (tensor 1D): uma lista de números, como
[1, 2, 3]; - Matriz (tensor 2D): uma grade 2D de números, como uma tabela com linhas e colunas.
Tensores de dimensões superiores (3D, 4D, etc.) expandem o conceito de matrizes para dimensões adicionais. Por exemplo, um tensor 3D pode representar uma imagem com altura, largura e canais de cor.
Embora a terminologia possa parecer complexa à primeira vista, a ideia principal é que tensores são simplesmente contêineres para dados numéricos, assim como arrays do NumPy.
Tensores no PyTorch vs. Arrays do NumPy
Os tensores do PyTorch se comportam de maneira semelhante aos arrays do NumPy em muitos aspectos. Além disso, indexação e fatiamento em tensores funcionam da mesma forma que em arrays do NumPy, portanto, não abordaremos esses tópicos neste curso.
No entanto, os tensores do PyTorch oferecem vantagens adicionais, como:
- Suporte nativo para aceleração por GPU;
- Integração com os módulos de aprendizado profundo do PyTorch;
- Compatibilidade com o autograd, a ferramenta de diferenciação automática do PyTorch para retropropagação.
Criando Tensores
O PyTorch oferece várias maneiras de criar tensores. Uma das abordagens mais básicas é criar um tensor a partir de uma lista ou de um array do NumPy. A forma recomendada de fazer isso é passando os dados para a função torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Criar um tensor 3D diretamente a partir de uma lista 3D sem armazenar a lista em uma variável separada. O tensor pode ter quaisquer dimensões e conter elementos arbitrários.
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 5Introdução aos Tensores
Deslize para mostrar o menu
O que é um Tensor?
Você já está familiarizado com alguns casos especiais de tensores:
- Escalar (tensor 0D): um único número, como
5ou3.14; - Vetor (tensor 1D): uma lista de números, como
[1, 2, 3]; - Matriz (tensor 2D): uma grade 2D de números, como uma tabela com linhas e colunas.
Tensores de dimensões superiores (3D, 4D, etc.) expandem o conceito de matrizes para dimensões adicionais. Por exemplo, um tensor 3D pode representar uma imagem com altura, largura e canais de cor.
Embora a terminologia possa parecer complexa à primeira vista, a ideia principal é que tensores são simplesmente contêineres para dados numéricos, assim como arrays do NumPy.
Tensores no PyTorch vs. Arrays do NumPy
Os tensores do PyTorch se comportam de maneira semelhante aos arrays do NumPy em muitos aspectos. Além disso, indexação e fatiamento em tensores funcionam da mesma forma que em arrays do NumPy, portanto, não abordaremos esses tópicos neste curso.
No entanto, os tensores do PyTorch oferecem vantagens adicionais, como:
- Suporte nativo para aceleração por GPU;
- Integração com os módulos de aprendizado profundo do PyTorch;
- Compatibilidade com o autograd, a ferramenta de diferenciação automática do PyTorch para retropropagação.
Criando Tensores
O PyTorch oferece várias maneiras de criar tensores. Uma das abordagens mais básicas é criar um tensor a partir de uma lista ou de um array do NumPy. A forma recomendada de fazer isso é passando os dados para a função torch.tensor():
1234import torch data = [[1, 2], [3, 4]] tensor = torch.tensor(data) print(tensor)
Swipe to start coding
Criar um tensor 3D diretamente a partir de uma lista 3D sem armazenar a lista em uma variável separada. O tensor pode ter quaisquer dimensões e conter elementos arbitrários.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
Awesome!
Completion rate improved to 5single
