Bentuk, Jenis Data dan Pengindeksan
Baca bentuk tensor dan ambil bahagiannya.
Bentuk, Jenis Data dan Pengindeksan ialah pelajaran Deep Learning Academy percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Deep Learning Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Tensor Hanyalah Nombor dalam Grid
Tensor ialah sekumpulan nombor yang disusun dalam baris, lajur atau dimensi yang lebih mendalam. Segala-galanya dalam pembelajaran mendalam mengalir melaluinya.
Bentuk Menerangkan Susun Atur
Bentuk memberitahu Anda bilangan nilai pada setiap dimensi. Bacanya seperti dimensi sebuah kotak: baris kali lajur. 📦
Semak Bentuk dengan .shape
Minta .shape daripada mana-mana tensor dan PyTorch akan memberikan saiz setiap dimensi mengikut susunan.
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x.shape) # torch.Size([2, 3])Kira Dimensi dengan .ndim
Bilangan dimensi ialah rank tensor. Skalar ialah 0, vektor ialah 1, matriks ialah 2, manakala imej mempunyai nilai yang lebih tinggi.
x = torch.tensor([[1, 2], [3, 4]])
print(x.ndim) # 2Setiap Tensor Mempunyai Dtype
Jenis data ialah jenis nombor yang disimpan, seperti float32 atau int64. Ia mengawal ketepatan dan pengiraan yang dibenarkan.
x = torch.tensor([1.0, 2.0, 3.0])
print(x.dtype) # torch.float32Float32 ialah Lalai untuk Pembelajaran
Kebanyakan rangkaian dilatih dalam float32 kerana kecerunan memerlukan perpuluhan. Integer tidak dapat menyimpan kemas kini pecahan yang sangat kecil.
Tukar antara Dtype
Tukar jenis tensor dengan .to() atau .float(). Beginilah Anda memadankan ketepatan yang dijangka oleh model.
x = torch.tensor([1, 2, 3])
y = x.to(torch.float32)
print(y.dtype) # torch.float32Pengindeksan Mendapatkan Satu Nilai
Pengindeksan menggunakan kurungan siku untuk mendapatkan satu elemen berdasarkan kedudukannya, bermula daripada sifar.
x = torch.tensor([10, 20, 30])
print(x[0]) # tensor(10)Dua Indeks untuk Matriks
Untuk tensor 2D, berikan baris kemudian lajur. Susunan itu sentiasa mengikut bentuk yang Anda lihat sebelum ini.
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # tensor(6)Penghirisan Mengambil Julat
Gunakan titik bertindih untuk mendapatkan satu hirisan penuh. start:stop mengekalkan semuanya sehingga tetapi tidak termasuk stop.
x = torch.tensor([10, 20, 30, 40])
print(x[1:3]) # tensor([20, 30])Hiris Baris dan Lajur Bersama-sama
Titik bertindih tunggal bermaksud mengambil seluruh dimensi tersebut. Beginilah Anda memilih satu lajur penuh merentasi setiap baris.
x = torch.tensor([[1, 2], [3, 4]])
print(x[:, 0]) # tensor([1, 3])Semakan Pantas
Masanya untuk menguji maksud sebenar bentuk dan pengindeksan.
Ringkasan: Bentuk, Dtype & Pengindeksan
Kini Anda boleh membaca bentuk tensor, menyemak jenis datanya dan membuat hirisan padanya. Tiga kemahiran ini membuka jalan kepada semua operasi tensor yang seterusnya. 🎉
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Bentuk, Jenis Data dan Pengindeksan” percuma?
Ya — teks penuh “Bentuk, Jenis Data dan Pengindeksan” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Deep Learning Academy, tingkat taraf kepada CoddyKit PRO. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Bentuk, Jenis Data dan Pengindeksan”?
Baca bentuk tensor dan ambil bahagiannya. Anda berlatih Deep Learning Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Deep Learning Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Deep Learning Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.
Berapa lamakah pelajaran “Bentuk, Jenis Data dan Pengindeksan” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Bentuk, Jenis Data dan Pengindeksan
- Ubah Bentuk, Paparan, Squeeze dan Unsqueeze
- Peraturan Penyiaran yang Menjimatkan Gelung
- Tensor Berhubung dengan NumPy