Press "Enter" to skip to content

什幺是张量器?

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

张量是机器学习系统使用的数据结构,识别张量是您应该事先掌握的一项重要技能。张量是数值数据的容器。这就是我们存储将在系统中使用的信息的方式。

 

有三个属性定义张量:

范围
形状
dType:这里张量的秩是指张量的轴数。

示例:

矩阵的秩为2,因为它有两个轴。
向量的秩为1,因为它只有一个轴。

张量的形状是指沿每个轴的维数。例如:

方阵可以有维数(2,2)。
3张量(3、5、8)可以有维度。

张量的数据类型是指它包含的数据类型。一些受支持的数据类型包括:

浮动32
Float64
uint8
int32
int64

标量(0D张量)的阶数为0,并且包含单个数字。这些称为0维张量。下图显示了如何使用NumPy创建0维张量。

 

import numpy as np
tensor = np.array(42)

 

向量(一维张量)具有一阶,表示一系列数字。下图显示了一个形状为(4,)的向量。

 

import numpy as np
tensor = np.array([8, 16, 32, 64])

 

矩阵(2D张量)有第二行,表示向量数组。矩阵的两个轴通常称为行和列。下图显示了一个形状为(3,4)的矩阵。

 

import numpy as np
tensor = np.array([[2, 10, 20, 22],
                   [8, 16, 32, 64],
                   [5, 10, 15, 20]])

 

您可以通过将低维张量打包到数组中来获得高维张量(、4D等)。例如,将一个4D张量打包到一个数组中就可以得到一个8D张量。

 

以下是一些常见的张量表示法:

矢量:1D-(特性)
序列:2D-(切片,属性)
图像:3D-(高度、、通道)
视频:4D-(帧、高、宽、通道)

通常,机器学习算法一次处理数据的子集,称为批处理。

 

使用数据集时,张量的第一个轴保留为批量大小(样本数)。

 

例如,如果您正在处理2D张量(矩阵),则一个组总共将有3个维度:

 

白色小方块(样本、行、列)

 

请注意,第一个轴是我们组中的矩阵数量。

 

遵循相同的逻辑,一组图像可以表示为4D张量:

白色小正方形(示例、高度、宽度、通道)
白色小方块(样本、帧、高度、宽度、通道)

原创文章,:fendouai,如若转载,请注明出处:https://panchuang.net/2021/06/29/%e4%bb%80%e4%b9%88%e6%98%af%e5%bc%a0%e9%87%8f%e5%99%a8%ef%bc%9f/

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注