1. Le rôle des tenseurs dans l'apprentissage profond
En apprentissage profond, les tenseurs sont principalement utilisés pour décrire un objet avec des nombres. Par exemple, pour décrire une image en couleur, nous pouvons utiliser (longueur, largeur, couleur) pour le décrire. Quantité, si nous voulons décrire une collection d'images en couleur, nous devons utiliser (numéro d'image, longueur, largeur, couleur) pour décrire, donc pour décrire une collection d'images en couleur, nous devons utiliser un tenseur à quatre dimensions.
2. Expression des tenseurs dans l'apprentissage profond
Tenseur à 0 dimension:[1] Un
tenseur de dimension 0 est un scalaire, qui est un nombre s'il est simple.
Tenseur unidimensionnel:[1,2,3,4,5] Le
tenseur unidimensionnel est un vecteur
Tenseur bidimensionnel:
Le tenseur bidimensionnel est une matrice
Tenseur tridimensionnel:
Un tenseur tridimensionnel est un empilement de tenseurs bidimensionnels multiples
Tenseur à 4 dimensions:
Le tenseur 4D est une pile de plusieurs tenseurs 3D
L'image suivante est plus intuitive:
3. Utilisez numpy pour représenter les tenseurs
Tenseur à 0 dimension:
Tenseur unidimensionnel:
Vous pouvez obtenir les dimensions du tenseur avec la commande suivante:
Tenseur bidimensionnel:
Tenseur tridimensionnel:
4. Visualisez la forme du tenseur
import numpy as np
unit_num = np.array([[[1,2,3],[2,3,4]],[[1,2,3],[2,3,4]]])
print(unit_num.shape)
Le résultat:
(2, 2, 3)