Operazioni elemento per elemento e riduzioni
Calcoli somma, media e massimo lungo gli assi scelti
Operazioni elemento per elemento e riduzioni è una lezione Deep Learning Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Deep Learning Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Deep Learning Academy include 4 lezioni in totale.
Due tipi di operazioni
La matematica dei tensori si divide in due famiglie: le operazioni elementwise, che mantengono la forma, e le riduzioni, che la trasformano in un numero inferiore di valori.
Elementwise mantiene la forma
Un'operazione elementwise applica la stessa azione a ogni elemento in modo indipendente. La forma in ingresso è la stessa in uscita e le posizioni non si mescolano.
b = a * 2 + 1
# same shape as a, every element transformedCalcolo elementwise a coppie
Con due tensori della stessa forma, le operazioni elementwise agiscono posizione per posizione. La somma abbina ogni indice al corrispondente e lo stesso vale per la moltiplicazione.
c = a + b
d = a * bAnche le funzioni matematiche sono elementwise
Funzioni come torch.relu, exp e sqrt vengono eseguite elemento per elemento. Ogni numero viene trasformato singolarmente e il tensore conserva la forma originale.
r = torch.relu(x)
e = torch.exp(x)Le riduzioni comprimono i numeri
Una reduction combina molti valori in un numero inferiore. Sum, mean e max riducono un tensore intero, per impostazione predefinita fino a ottenere un singolo scalare.
total = x.sum()
avg = x.mean()L'argomento dim sceglie un asse
Passi dim per ridurre lungo un solo asse. L'asse scelto scompare mentre gli altri rimangono, quindi un tensore 2D diventa 1D.
col_sums = x.sum(dim=0)
row_means = x.mean(dim=1)keepdim conserva la forma
Imposti keepdim=True per conservare l'asse ridotto con dimensione 1. Questa forma preservata consente alle operazioni di broadcasting successive di allinearsi correttamente.
m = x.max(dim=1, keepdim=True).valuesMean richiede valori float
mean esegue una divisione, quindi richiede un input in virgola mobile. Se lo chiama su un tensore di interi, PyTorch segnalerà un errore finché non lo convertirà prima in float.
avg = x.float().mean()argmax trova il vincitore
A volte serve la posizione, non il valore. argmax restituisce l'indice dell'elemento più grande: è così che un classificatore sceglie la classe prevista.
pred = logits.argmax(dim=1)Le combini insieme
Il codice reale combina entrambi i tipi: una trasformazione elementwise alimenta una riduzione. Elevi al quadrato gli errori, poi calcoli la media, e ottieni l'errore quadratico medio.
mse = ((pred - target) ** 2).mean()Scelga tra mantenere o ridurre la forma
La regola generale è questa: usi elementwise quando ogni valore deve cambiare nella propria posizione, e una riduzione quando serve un riepilogo, come un totale o una media.
Controllo rapido
Sa dire quale operazione modifica la forma di un tensore?
Riepilogo: trasformare o riepilogare
Le operazioni elementwise mantengono la forma e agiscono su ogni valore; le riduzioni, come sum e mean, la comprimono, mentre dim e keepdim controllano esattamente il risultato. 🎯
Domande Frequenti
La lezione «Operazioni elemento per elemento e riduzioni» è gratuita?
Sì — il testo completo di «Operazioni elemento per elemento e riduzioni» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Deep Learning Academy, passa a CoddyKit PRO. Il corso Deep Learning Academy include 4 lezioni in totale.
Cosa imparerò in «Operazioni elemento per elemento e riduzioni»?
Calcoli somma, media e massimo lungo gli assi scelti Eserciti Deep Learning Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Deep Learning Academy?
Non è richiesta alcuna esperienza precedente. Deep Learning Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «Operazioni elemento per elemento e riduzioni»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Deep Learning Academy?
Sì. Ogni lezione Deep Learning Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Perché i cicli sono lenti nei calcoli matematici
- Operazioni elemento per elemento e riduzioni
- Moltiplicazione di matrici con matmul e @
- I prodotti scalari alimentano ogni layer