Escalar (tensor OD)
Una matriz llamada un vector (vector) o números unidimensionales de tensores (1 D tensor). tensor unidimensional sólo un eje. Aquí es un vector Numpy.
(tensorflowcv) turing@localhost ~ % python
Python 3.7.5 (v3.7.5:5c02a39a0b, Oct 14 2019, 18:49:57)
[Clang 6.0 (clang-600.0.57)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> x = np.array(23)
>>> x
array(23)Vector (1 D tensor)
Una matriz de números llama un vector (vector) o unidimensional (tensor 1D). Sólo un eje tensor unidimensional.
>>> y = np.array([12,24,36,48])
>>> y
array([12, 24, 36, 48])
>>> y.ndim
1Este vector tiene cuatro elementos, que se conoce como un vector 4D. 4D y 4D vector que no debe confundirse i tensor Vector solo eje, pero que ilustra las cuatro dimensiones, y 4D tiene cuatro dimensiones del eje tensor (dimensionalidad ) puede ser representado a lo largo de un eje del número de elementos (tales como 4 D vector), sino que también puede significar la (tales como 4 D tensor) tensor eje número, que a veces puede ser muy confuso. En el último caso, un técnicamente más exacto decir que de cuarto orden tensor (es decir tensor orden eje número), pero la cantidad de dichas hojas 4 D redacción vaga más comunes.
Matrix (2 D tensor)
Llamado una matriz matriz compuesta de un vector (Matrix) o tensor de dos dimensiones (2D tensor). Matrix tiene dos ejes.
>>> z = np.array([[5,78,24,1],
... [1,2,3,4],
... [4,6,7,8]])
>>> z
array([[ 5, 78, 24, 1],
[ 1, 2, 3, 4],
[ 4, 6, 7, 8]])
>>> z.ndim
23 D tensor y tensor de atributos clave de dimensiones superiores
La pluralidad de matrices se combinan en una nueva matriz puede obtener una cantidad doble 3D
>>> q = np.random.randn(3,4,2)
>>> q
array([[[-0.01620116, -0.17436912],
[ 0.4581523 , -1.52342501],
[-0.8196764 , -1.56960572],
[-0.14080388, -1.08867946]],
[[ 0.22365678, 0.80081233],
[ 0.44461579, -0.10655642],
[ 1.04337676, 0.57167161],
[-0.45150608, 0.2777626 ]],
[[-0.39876745, 0.21239111],
[-1.91937848, -0.56022366],
[ 0.20022585, 1.96652715],
[-1.4904011 , 0.27641009]]])
>>> q.ndim
3Por lo tanto, la cantidad de una combinación de una pluralidad de hojas en una matriz de 3D, se convertirá en 4D tensor. Detección de las objeciones dentro de su uso posterior. 4D tensor se calculan.
Tensor en funcionamiento en Numpy
En el ejemplo MNIST, utilizando los train_ sintaxis Imágenes] para seleccionar un digital en particular a lo largo del primer eje. Seleccionar elementos específicos llamadas cortes tensor tensor (tensor de corte). Esperamos con tensor de operaciones rebanada numpy en matrices.
El siguiente ejemplo de una selección de 10 a 100 dígitos (no incluyendo 100), y de la forma (90,28 28) matriz.
my_slice=train_images [10: 100]
print (my_slice shape)
> (90,28,28)Es equivalente a la redacción de la siguiente, rebanada tensor dado más compleja a lo largo de cada eje de partida índice y terminando índice. Tenga en cuenta que: lo mismo que seleccionar todo el eje.
my_slice =train_images [10: 100]
Es equivalente al ejemplo anterior
my_slice=train_images [10: 100, 0: 28, 0: 281Se puede elegir entre cualquier tensor dos índices a lo largo de cada eje. Por ejemplo, puede pixel zona de 14 x 14 píxeles seleccionados en la esquina inferior derecha de todas las imágenes
my_slice=train_images [: 14]
También puede utilizar índices negativos. Python y índice negativo lista similar que indica la posición actual del eje con respecto al extremo del área de corte 14 puede usted x14 píxeles de una imagen de píxeles centros:
my slice=train images [: 7: -7, 7: -7 ]
Concepto de volumen de datos
En general, la profundidad de aprendizaje de todos los datos tensor primer eje (0-eje, porque el índice comienza en 0) son el eje de muestra (muestras eje, a veces llamado una muestra dimensiones). En el ejemplo MINIST, la muestra es una imagen digital.
Además, mientras que el modelo de aprendizaje profundo no maneja todo el conjunto de datos, pero los datos se dividió en lotes más pequeños. Específicamente, el siguiente es un conjunto de datos por lotes minst, tamaño de lote de 128.
batch train images [: 128]
A continuación, el siguiente lote.
batch =train images [128: 256)
A continuación, el lote n-ésimo.
batch train _images [128*n: 128 * (n +1)]
Para este tensor discontinuo, un eje primer eje (0 eje) se llama por lotes (batch) eje dimensiones o lote (dimensión lote). Al utilizar Keras y otra biblioteca de aprendizaje profundo, que a menudo se encuentra con este término.
tensor de datos en el mundo real
Los datos vectoriales : 2 D forma tensor (es SAMP1, características).
datos o secuencia de datos Time-series : 3 D forma tensor (muestras, timesteps, características de imagen : 4 D forma tensor (muestras, altura, anchura, channells ) o (muestras, Canales altura, anchura
Vídeo : 5 D forma tensor (muestras, marcos, altura, anchura , channe1 s) o (muestras marcos, canales, altura, anchura)
Los datos vectoriales
vector bidimensional y entre el elevado número del mismo concepto, la relación entre ellos se representa por x, y
datos de series de tiempo o secuencia de datos
Cuando el tiempo (o el orden de secuencia) es importante para los datos, los datos se debe almacenar en un tensor 3 D con línea de tiempo. Cada muestra puede ser codificada como una secuencia de vectores (es decir tensor 2 D), por lo que un lote de datos se codifica en un 3 tensores D (véase más adelante).
Los datos de imagen
La imagen típicamente tiene tres dimensiones: altura, anchura y profundidad de color. la imagen de escala de grises (una imagen digital tal MINSTT) sólo un canal de color, mientras que, se puede almacenar en 2 D tensor, pero, por convención, la imagen es siempre canal de color tensor tensor 3 D es solamente una imagen de escala de grises de una sola dimensión. Por lo tanto, si el tamaño de la imagen es de 256 × 256, 128 imagen de escala de grises a continuación, composición de la mezcla puede ser almacenada en una forma de un tensor (128,256,256,1), la imagen el color mayor 128 y se pueden guardar en la composición es una forma (128,256,256 , 3) del tensor (ver abajo).
Image forma tensor de dos convenciones: Convención después (canales-últimos) del canal (en Tensorelow) y los canales delanteros (canales-primero) de la convención (utilizado en Theano). marco de aprendizaje máquina de profundidad de color Tensorelow de Google eje coloca al final: (muestras, altura, anchura, CO1 or_ profundidad). Después el contrario, la profundidad de imagen Thean eje sobre el eje de lote: (muestras, CO1 or_ profundidad, altura, anchura). Si convención Teano, se convertirán en los dos ejemplos anteriores (128,1,256,256) y (128,3,256,256). Keras marco soporta ambos formatos.
Los datos de vídeo
Los datos de vídeo en la vida real necesidad de utilizar uno de los pocos tipos de datos 5 D tensor. El video se puede ver como una serie de fotogramas,
Cada cuadro es una imagen en color. Puesto que cada marco se puede guardar en una forma (altura, anchura, profundidad de color) de 3 D tensor, y por lo tanto una serie de tramas se puede almacenar en una forma (marcos, altura, anchura, profundidad color_) de 4 D tensor, y composición de la mezcla es diferente de vídeo puede ser almacenada en un tensor 5 D, la forma de una
(Muestras, marcos, altura, anchura, profundidad de color
Por ejemplo, un clip de vídeo de Youtube 60 segundos muestrearon a 4 imágenes por segundo, el tamaño de vídeo de 144 × x256, el total de 240 de vídeo. Lote cuatro fragmentos de tales vídeo almacenados en el tensor de forma (4,240,144,256,3) fue. Un total de 106 168 320 Valor! Si el tipo de datos tensor (dtype) es oat32 f1, cada valor es 32, entonces el total de tensor de 405 MB. Grande! El vídeo encontrado en la vida real es mucho menor, ya que no se almacenan formato oat32 f1, y con frecuencia se comprimen en gran medida, como el formato MPEG.