Deep Learning Academy · Lektion

Shapes, dtypes og indeksering

Læs en tensors shape, og udvælg dele af den.

Lektion 1 af 413 trin

Shapes, dtypes og indeksering er en gratis Deep Learning Academy-lektion på CoddyKit. Dette er lektion 1 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Deep Learning Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Deep Learning Academy-kurset indeholder 4 lektioner i alt.

Tensorer er bare tal i et gitter

En tensor er en beholder med tal arrangeret i rækker, kolonner eller flere dimensioner. Alt i deep learning bevæger sig gennem dem.

Shape beskriver opbygningen

Shape fortæller dig, hvor mange værdier der ligger langs hver dimension. Læs den som målene på en kasse: rækker gange kolonner. 📦

Tjek shape med .shape

Spørg en vilkårlig tensor efter dens .shape, så giver PyTorch dig størrelsen på hver dimension i rækkefølge.

import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x.shape)  # torch.Size([2, 3])

Tæl dimensionerne med .ndim

Antallet af dimensioner er tensorens rank. En skalar er 0, en vektor er 1, en matrix er 2, og billeder har flere.

x = torch.tensor([[1, 2], [3, 4]])
print(x.ndim)  # 2

Alle tensorer har en dtype

Dtype er typen af det gemte tal, for eksempel float32 eller int64. Den bestemmer præcisionen og hvilke beregninger der er tilladt.

x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype)  # torch.float32

Float32 er standard til læring

De fleste netværk trænes i float32, fordi gradienter kræver decimaltal. Heltal kan ikke indeholde de små brøkdele i opdateringerne.

Konverter mellem dtypes

Skift en tensors type med .to() eller .float(). Sådan tilpasser du den til den præcision, modellen forventer.

x = torch.tensor([1, 2, 3])
y = x.to(torch.float32)
print(y.dtype)  # torch.float32

Indeksering henter én værdi

Indeksering bruger kantede parenteser til at hente ét element ud fra dets placering, hvor optællingen starter ved nul.

x = torch.tensor([10, 20, 30])
print(x[0])  # tensor(10)

To indekser til en matrix

For en 2D-tensor angiver du først en række og derefter en kolonne. Rækkefølgen følger altid den shape, du så tidligere.

x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2])  # tensor(6)

Udsnitsudvælgelse tager et interval

Brug et kolon til at hente et helt udsnit. start:stop beholder alt frem til, men ikke inklusive, stop.

x = torch.tensor([10, 20, 30, 40])
print(x[1:3])  # tensor([20, 30])

Udvælg rækker og kolonner sammen

Et enkelt kolon betyder, at du tager hele den pågældende dimension. Sådan vælger du en hel kolonne på tværs af alle rækker.

x = torch.tensor([[1, 2], [3, 4]])
print(x[:, 0])  # tensor([1, 3])

Hurtigt tjek

Det er tid til at teste, hvad shape og indeksering egentlig betyder.

Besvar den i den interaktive lektion

Opsummering: Shapes, dtypes og indeksering

Du kan nu læse en tensors shape, tjekke dens dtype og udvælge udsnit af den. Disse tre færdigheder åbner for alle kommende tensoroperationer. 🎉

Gratis at komme i gang

Lær Python med en AI-underviser — gratis

Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.

Kurser: 30
Lektioner: 120

Start gratis Se hele kurset

Ofte stillede spørgsmål

Er lektionen “Shapes, dtypes og indeksering” gratis?

Ja — hele teksten til “Shapes, dtypes og indeksering” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Deep Learning Academy-kurset, skal du opgradere til CoddyKit PRO. Deep Learning Academy-kurset indeholder 4 lektioner i alt.

Hvad lærer jeg i “Shapes, dtypes og indeksering”?

Læs en tensors shape, og udvælg dele af den. Du øver dig i Deep Learning Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.

Skal jeg have erfaring for at begynde på Deep Learning Academy?

Der kræves ingen tidligere erfaring. Deep Learning Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 1 af 4.

Hvor lang tid tager lektionen “Shapes, dtypes og indeksering”?

De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.

Kan jeg skrive og køre kode i denne Deep Learning Academy-lektion?

Ja. Alle Deep Learning Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.

Alle lektioner i dette kursus

← Tilbage til Deep Learning Academy