Tenzori su višedimenzionalni nizovi koji se široko koriste u različitim poljima kao što su mašinsko učenje, duboko učenje i kompjuterski vid. Često postaje bitno znati dimenzije ili oblik tenzora za izvođenje operacija kao što su preoblikovanje, emitiranje i tako dalje. U ovom članku ćemo uroniti u proces dobivanja tenzorskih dimenzija pomoću Pythona, uz postupno objašnjenje koda i istražiti neke povezane biblioteke i funkcije koje igraju ključnu ulogu u manipulaciji tenzorom.
Da bismo riješili problem dobijanja dimenzija tenzora, koristit ćemo široko popularnu biblioteku NumPy i njenu ugrađenu funkciju shape . Za početak, prvo ćemo uvesti NumPy biblioteku i kreirati primjer tenzora.
import numpy as np tensor = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
Sada kada imamo naš tenzor, možemo bez napora dobiti njegove dimenzije koristeći atribut shape.
tensor_dimensions = tensor.shape
print("Tensor dimensions:", tensor_dimensions)
Ovaj isječak koda bi ispisao sljedeće:
"`
Dimenzije tenzora: (2, 2, 3)
"`
Varijabla tensor_dimensions sada sadrži dimenzije našeg tenzora u formatu tuple (2, 2, 3). Da bismo dalje razumjeli dobijeni rezultat, analizirajmo kod korak po korak.
NumPy biblioteka
- numpy je moćna Python biblioteka koja pruža podršku za rad sa velikim, višedimenzionalnim nizovima i matricama. Dolazi sa kolekcijom matematičkih funkcija za izvođenje operacija na ovim nizovima.
- Postao je baza za različite naučne računarske pakete i biblioteke, posebno u oblasti mašinskog učenja i analize podataka.
Kreiranje tenzora sa NumPy
U našem primjeru, kreirali smo 3D tenzor koristeći funkciju np.array . Ova funkcija uzima listu lista (ili drugih struktura sličnih nizovima) kao ulaz i pretvara je u višedimenzionalni niz ili tenzor.
tensor = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
Kreirani tenzor ima oblik (2, 2, 3), gdje prva dimenzija predstavlja broj ugniježđenih lista, druga dimenzija predstavlja broj unutrašnjih lista u svakoj ugniježđenoj listi, a treća dimenzija označava broj elemenata u svakoj unutrašnjoj listi.
Korištenje atributa oblika
Atribut oblika dostupan u NumPy-u nam pomaže da dobijemo dimenzije našeg tenzora bez ikakvih problema.
tensor_dimensions = tensor.shape
tensor.shape vraća tuple koji predstavlja dimenzije tenzora u formatu (dimenzija_1, dimenzija_2, ..., dimenzija_n).
U zaključku, dobijanje tenzorskih dimenzija u Pythonu je prilično jednostavno i efikasno, posebno uz pomoć NumPy biblioteke. Razumijevanjem atributa oblika i korištenjem različitih ugrađenih funkcija, možemo riješiti širok raspon problema vezanih za tenzore i njihove dimenzije.
