Tenzory jsou vícerozměrná pole, která se široce používají v různých oblastech, jako je strojové učení, hluboké učení a počítačové vidění. Často je nezbytné znát rozměry nebo tvar tenzoru pro provádění operací, jako je změna tvaru, vysílání a tak dále. V tomto článku se ponoříme do procesu získávání dimenzí tenzoru pomocí Pythonu s podrobným vysvětlením kódu a prozkoumáme některé související knihovny a funkce, které hrají zásadní roli při manipulaci s tenzory.
K vyřešení problému získání rozměrů tenzoru použijeme široce oblíbenou knihovnu nemotorný a jeho vestavěná funkce formovat. Chcete-li začít, nejprve importujte knihovnu NumPy a vytvořte vzorový tenzor.
import numpy as np tensor = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
Nyní, když máme náš tenzor, můžeme bez námahy získat jeho rozměry pomocí formovat atribut.
tensor_dimensions = tensor.shape
print("Tensor dimensions:", tensor_dimensions)
Tento fragment kódu by vydal následující:
"."
Rozměry tenzoru: (2, 2, 3)
"."
Proměnná tensor_dimensions nyní obsahuje rozměry našeho tenzoru ve formátu n-tice (2, 2, 3). Abychom dále porozuměli získanému výsledku, rozeberme kód krok za krokem.
Knihovna NumPy
- nemotorný je výkonná knihovna Pythonu, která poskytuje podporu pro práci s velkými, vícerozměrnými poli a maticemi. Dodává se s kolekcí matematických funkcí pro provádění operací s těmito poli.
- Stala se základem pro různé vědecké výpočetní balíčky a knihovny, zejména v oblasti strojového učení a analýzy dat.
Vytvoření tenzoru pomocí NumPy
V našem příkladu jsme vytvořili 3D tenzor pomocí np.pole funkce. Tato funkce bere jako vstup seznam seznamů (nebo jiných struktur podobných poli) a převádí jej na vícerozměrné pole nebo tenzor.
tensor = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
Vytvořený tenzor má tvar (2, 2, 3), kde první rozměr představuje počet vnořených seznamů, druhý rozměr představuje počet vnitřních seznamů v každém vnořeném seznamu a třetí rozměr udává počet prvků. v každém vnitřním seznamu.
Použití atributu Shape
Jedno formovat atribut dostupný v NumPy nám pomáhá získat rozměry našeho tenzoru bez jakýchkoli potíží.
tensor_dimensions = tensor.shape
tenzor.tvar vrací n-tici představující rozměry tenzoru ve formátu (dimenze_1, dimenze_2, …, dimenze_n).
Závěrem lze říci, že získání rozměrů tenzoru v Pythonu je poměrně jednoduché a efektivní, zejména s pomocí knihovny NumPy. Pochopením atributu tvar a využitím různých vestavěných funkcí můžeme vyřešit širokou škálu problémů souvisejících s tenzory a jejich rozměry.
