Bentuk, Dtype, dan Pengindeksan
Baca bentuk tensor dan ambil irisannya
Bentuk, Dtype, dan Pengindeksan adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 1 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.
Tensor Hanyalah Angka dalam Kisi
Sebuah tensor adalah sekumpulan angka yang disusun dalam baris, kolom, atau lapisan yang lebih dalam. Semua hal dalam pembelajaran mendalam mengalir melaluinya.
Shape Menjelaskan Tata Letak
shape memberi tahu berapa banyak nilai yang berada pada setiap dimensi. Bacalah seperti dimensi sebuah kotak: baris kali kolom. 📦
Periksa Shape dengan .shape
Tanyakan .shape kepada tensor apa pun, dan PyTorch akan memberikan ukuran setiap dimensi secara berurutan.
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x.shape) # torch.Size([2, 3])Hitung Dimensi dengan .ndim
Jumlah dimensi adalah rank tensor. Skalar bernilai 0, vektor bernilai 1, matriks bernilai 2, dan gambar memiliki nilai yang lebih tinggi.
x = torch.tensor([[1, 2], [3, 4]])
print(x.ndim) # 2Setiap Tensor Memiliki Dtype
dtype adalah jenis angka yang disimpan, seperti float32 atau int64. Dtype mengatur presisi dan operasi matematika yang diizinkan.
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype) # torch.float32Float32 adalah Bawaan untuk Pembelajaran
Sebagian besar jaringan dilatih dengan float32 karena gradien memerlukan bilangan desimal. Bilangan bulat tidak dapat menyimpan pembaruan pecahan yang sangat kecil.
Konversi Antar-Dtype
Ubah jenis tensor dengan .to() atau .float(). Inilah cara menyesuaikan presisi yang diharapkan model.
x = torch.tensor([1, 2, 3])
y = x.to(torch.float32)
print(y.dtype) # torch.float32Pengindeksan Mengambil Satu Nilai
Pengindeksan menggunakan tanda kurung siku untuk mengambil satu elemen berdasarkan posisinya, dengan penghitungan dimulai dari nol.
x = torch.tensor([10, 20, 30])
print(x[0]) # tensor(10)Dua Indeks untuk Matriks
Untuk tensor 2D, berikan baris lalu kolom. Urutannya selalu mengikuti shape yang telah Anda lihat sebelumnya.
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # tensor(6)Pemotongan Mengambil Rentang
Gunakan titik dua untuk mengambil satu potongan penuh. start:stop mempertahankan semua nilai hingga sebelum stop.
x = torch.tensor([10, 20, 30, 40])
print(x[1:3]) # tensor([20, 30])Potong Baris dan Kolom Bersamaan
Titik dua tunggal berarti mengambil seluruh dimensi tersebut. Dengan cara ini, Anda dapat memilih satu kolom penuh pada semua baris.
x = torch.tensor([[1, 2], [3, 4]])
print(x[:, 0]) # tensor([1, 3])Pemeriksaan Cepat
Saatnya menguji pemahaman Anda tentang arti shape dan pengindeksan.
Ringkasan: Shape, Dtype & Pengindeksan
Sekarang Anda dapat membaca shape tensor, memeriksa dtype-nya, dan mengambil potongan darinya. Ketiga keterampilan ini membuka jalan menuju semua operasi tensor berikutnya. 🎉
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Bentuk, Dtype, dan Pengindeksan” gratis?
Ya — teks lengkap “Bentuk, Dtype, dan Pengindeksan” 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 “Bentuk, Dtype, dan Pengindeksan”?
Baca bentuk tensor dan ambil irisannya 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 1 dari 4.
Berapa lama pelajaran “Bentuk, Dtype, dan Pengindeksan” 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
- Bentuk, Dtype, dan Pengindeksan
- Reshape, View, Squeeze, dan Unsqueeze
- Aturan Broadcasting yang Menghemat Perulangan
- Tensor Berinteraksi dengan NumPy