0Pricing
Deep Learning Academy · Pelajaran

Operasi Per Elemen dan Reduksi

Jumlahkan, cari rata-rata, dan nilai maksimum pada sumbu yang dipilih

Operasi Per Elemen dan Reduksi adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

Two Kinds of Operations

Tensor math splits into two families: elementwise ops that keep the shape, and reductions that collapse it down to fewer numbers.

Elementwise Keeps the Shape

An elementwise op applies the same action to every entry independently. Input shape in, same shape out, no mixing between positions.

b = a * 2 + 1
# same shape as a, every element transformed

Pairwise Elementwise Math

With two tensors of equal shape, elementwise ops act position by position. Add matches index to index, multiply does the same.

c = a + b
d = a * b

Math Functions Are Elementwise Too

Functions like torch.relu, exp, and sqrt run elementwise. Each number is transformed on its own, and the tensor keeps its original shape.

r = torch.relu(x)
e = torch.exp(x)

Reductions Collapse Numbers

A reduction combines many values into fewer. Sum, mean, and max fold a whole tensor down, by default to a single scalar.

total = x.sum()
avg = x.mean()

The dim Argument Picks an Axis

Pass dim to reduce along one axis only. The chosen axis disappears while the others stay, so a 2D tensor becomes 1D.

col_sums = x.sum(dim=0)
row_means = x.mean(dim=1)

keepdim Saves the Shape

Set keepdim=True to keep the reduced axis as size 1. That preserved shape is what makes later broadcasting line up cleanly.

m = x.max(dim=1, keepdim=True).values

Mean Needs Floats

mean divides, so it expects floating-point input. Call it on an integer tensor and PyTorch will complain until you cast to float first.

avg = x.float().mean()

argmax Finds the Winner

Sometimes you want the position, not the value. argmax returns the index of the largest entry, which is how a classifier picks its predicted class.

pred = logits.argmax(dim=1)

Chain Them Together

Real code stacks both kinds: an elementwise transform feeds a reduction. Square the errors, then take the mean, and you have mean squared error.

mse = ((pred - target) ** 2).mean()

Pick Shape-Keeping or Shape-Shrinking

The rule of thumb: reach for elementwise when every value should change in place, and reach for a reduction when you need a summary like a total or average.

Quick Check

Can you tell which operation changes a tensor shape?

Recap: Transform vs Summarize

Elementwise ops keep the shape and act per value; reductions like sum and mean collapse it, with dim and keepdim controlling exactly how. 🎯

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Operasi Per Elemen dan Reduksi” gratis?

Ya — teks lengkap “Operasi Per Elemen dan Reduksi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Operasi Per Elemen dan Reduksi”?

Jumlahkan, cari rata-rata, dan nilai maksimum pada sumbu yang dipilih Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?

Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.

Berapa lama pelajaran “Operasi Per Elemen dan Reduksi” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?

Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Mengapa Perulangan Lambat untuk Matematika
  2. Operasi Per Elemen dan Reduksi
  3. Perkalian Matriks dengan matmul dan @
  4. Produk Titik Menggerakkan Setiap Lapisan
← Kembali ke Deep Learning Academy