Deep Learning Academy · Lektion

Former, dtype och indexering

Läs en tensors form och ta ut ett snitt ur den

Lektion 1 av 413 steg

Former, dtype och indexering är en gratis lektion i Deep Learning Academy på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Deep Learning Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.

Tensorer är bara tal i ett rutnät

En tensor är en samling tal ordnade i rader, kolumner eller ännu fler dimensioner. Allt inom deep learning flödar genom dem.

Shape beskriver layouten

shape anger hur många värden som finns längs varje dimension. Läs den som måtten på en låda: rader gånger kolumner. 📦

Kontrollera shape med .shape

Fråga vilken tensor som helst efter dess .shape, så ger PyTorch dig storleken på varje dimension i ordning.

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

Räkna dimensioner med .ndim

Antalet dimensioner är tensorns rank. En skalär är 0, en vektor är 1, en matris är 2 och bilder har fler.

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

Varje tensor har en dtype

dtype anger vilken sorts tal som lagras, till exempel float32 eller int64. Den styr precisionen och vilka beräkningar som är tillåtna.

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

Float32 är standard för inlärning

De flesta nätverk tränas med float32 eftersom gradienter behöver decimaltal. Heltal kan inte lagra de små bråkdelar som uppdateringarna består av.

Konvertera mellan dtypes

Ändra en tensors typ med .to() eller .float(). Så anpassar du den till den precision modellen förväntar sig.

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

Indexering hämtar ett värde

Indexing använder hakparenteser för att hämta ett enskilt element utifrån dess position, räknat från noll.

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

Två index för en matris

För en 2D-tensor anger du först en rad och sedan en kolumn. Ordningen följer alltid den shape du såg tidigare.

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

Slicing hämtar ett intervall

Använd ett kolon för att hämta ett helt utsnitt. start:stop behåller allt fram till, men inte inklusive, stop.

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

Skiva rader och kolumner samtidigt

Ett ensamt kolon betyder att hela dimensionen ska tas med. Så väljer du en hel kolumn över alla rader.

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

Snabb kontroll

Dags att testa vad shape och indexering faktiskt betyder.

Besvara frågan i den interaktiva lektionen

Sammanfattning: Shapes, dtypes och indexering

Nu kan du läsa en tensors shape, kontrollera dess dtype och göra utsnitt av den. Dessa tre färdigheter öppnar vägen till alla kommande tensoroperationer. 🎉

Gratis att börja

Lär dig Python med en AI-lärare – gratis

Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.

Kurser: 30
Lektioner: 120

Börja lära dig gratis Visa hela kursen

Vanliga frågor

Är lektionen ”Former, dtype och indexering” gratis?

Ja – hela texten till ”Former, dtype och indexering” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Deep Learning Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.

Vad lär jag mig i ”Former, dtype och indexering”?

Läs en tensors form och ta ut ett snitt ur den Ni övar på Deep Learning Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.

Behöver jag någon erfarenhet för att börja lära mig Deep Learning Academy?

Du behöver inga förkunskaper. Utbildningen i Deep Learning Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.

Hur lång tid tar lektionen ”Former, dtype och indexering”?

De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.

Kan jag skriva och köra kod i den här Deep Learning Academy-lektionen?

Ja. Varje Deep Learning Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.

Alla lektioner i den här kursen

← Tillbaka till Deep Learning Academy