1. El papel de los tensores en el aprendizaje profundo.
Los tensores en el aprendizaje profundo se usan principalmente para describir un objeto con números. Por ejemplo, para describir una imagen en color, podemos usar (largo, ancho, color) para describir, por lo que para describir una imagen en color, debe usar Zhang tridimensional Cantidad, si queremos describir una colección de imágenes en color, necesitamos usar (número de imagen, longitud, ancho, color) para describir, así que para describir una colección de imágenes en color, debemos usar un tensor de cuatro dimensiones.
2. Expresión tensorial en el aprendizaje profundo
Tensor de 0 dimensiones:[1] Un
tensor de 0 dimensiones es un escalar, que es un número si es simple.
Tensor unidimensional:[1,2,3,4,5]
tensor unidimensional es un vector
Tensor bidimensional:
Tensor bidimensional es una matriz
Tensor tridimensional:
Un tensor tridimensional es una pila de múltiples tensores bidimensionales.
Tensor de 4 dimensiones:
El tensor 4D es una pila de múltiples tensores 3D
La siguiente imagen es más intuitiva:
3. Use numpy para representar tensores
Tensor de 0 dimensiones:
Tensor unidimensional:
Puede obtener las dimensiones del tensor con el siguiente comando:
Tensor bidimensional:
Tensor tridimensional:
4. Ver la forma del tensor
import numpy as np
unit_num = np.array([[[1,2,3],[2,3,4]],[[1,2,3],[2,3,4]]])
print(unit_num.shape)
El resultado:
(2, 2, 3)