1. O papel dos tensores na aprendizagem profunda
No aprendizado profundo, os tensores são usados principalmente para descrever um objeto com números.Por exemplo, para descrever uma imagem colorida, podemos usar (comprimento, largura, cor) para descrevê-la. Quantidade, se quisermos descrever uma coleção de imagens coloridas, precisamos usar (número da imagem, comprimento, largura, cor) para descrever; assim, para descrever uma coleção de imagens coloridas, é necessário usar o tensor quadridimensional.
2. Expressão tensorial na aprendizagem profunda
Tensor 0-dimensional:[1] Um
tensor 0-dimensional é um escalar, que é um número se for plano.
Tensor unidimensional:[1,2,3,4,5]
tensor unidimensional é um vetor
Tensor bidimensional:
Tensor bidimensional é uma matriz
Tensor tridimensional:
Um tensor tridimensional é uma pilha de vários tensores bidimensionais
Tensor 4-dimensional:
O tensor 4D é uma pilha de vários tensores 3D
A imagem a seguir é mais intuitiva:
3. Use numpy para representar os tensores
Tensor 0-dimensional:
Tensor unidimensional:
Você pode obter as dimensões do tensor com o seguinte comando:
Tensor bidimensional:
Tensor tridimensional:
4. Veja a forma do 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)
O resultado:
(2, 2, 3)