W tym blogu omówimy, jak uzyskać wykładniki elementów tensorowych w PyTorch.
Jakie jest zastosowanie wykładników w tensorach PyTorch?
Sieci neuronowe wykorzystują złożony wzór do łączenia wielu wejść z wieloma wyjściami jednocześnie, aby naśladować funkcjonowanie ludzkiego mózgu. Pod tą strukturą kryje się skomplikowany szkielet podstawowej matematyki, który umożliwia wszystkie te połączenia. Wykładniki to po prostu kolejne pojęcie z matematyki, które znacznie ułatwia życie programistom i badaczom danych.
Poniżej wymieniono ważne cechy wykorzystania wykładników w PyTorch:
- Głównym zastosowaniem wykładników jest umieszczenie całych danych w odpowiednim zakresie w celu szybszego przetwarzania.
- Szybkość zaniku można łatwo zwizualizować za pomocą funkcji wykładniczych.
- Dowolny typ danych charakteryzujący się trendem wykładniczym można wizualizować w postaci trendu liniowego, wykorzystując koncepcję wykładniczą.
Jak obliczyć wykładniki wszystkich elementów tensorowych w PyTorch?
Użycie tensorów do przechowywania wartości danych jest niesamowitą funkcją PyTorch ze względu na całą funkcjonalność i możliwości manipulacji, jakie zapewniają tensory. Obliczanie wykładników dla poszczególnych elementów tensorowych jest kluczem do zarządzania danymi w mniejszych granicach.
Wykonaj kroki podane poniżej, aby dowiedzieć się, jak uzyskać wykładniki poszczególnych elementów tensorowych w PyTorch:
Krok 1: skonfiguruj Colab
Pierwszym krokiem jest skonfigurowanie IDE. Colaboratory by Google to dobry wybór ze względu na ogólnodostępne zintegrowane procesory graficzne do obliczania tensorów. Idź do Colaba strona internetowa i otwórz „ Nowy notatnik ' jak pokazano:
Krok 2: Zainstaluj i zaimportuj bibliotekę Torch
Framework PyTorch opiera się na połączeniu języka programowania Python i biblioteki Torch do tworzenia modeli głębokiego uczenia się. Instalacja i import „ latarka ” jest niezbędna do rozpoczęcia każdego projektu w PyTorch:
!pip zainstaluj latarkęimportuj pochodnię
Powyższy kod działa w następujący sposób:
- „ !pypeć ” pakiet instalacyjny Pythona służy do instalowania pakietów i bibliotek w PyTorch.
- Następnie „ import ” służy do wywoływania bibliotek i ich funkcjonalności dla projektu:
Krok 3: Zdefiniuj tensor PyTorch 1D i 2D
W tym samouczku zademonstrujemy obliczanie wykładników elementów tensorowych zarówno „ 1D ” i „ 2D Tensor PyTorcha. Zaczynamy od zdefiniowania tych tensorów:
pytorch_tensor = latarka. napinacz ( [ 10,0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = latarka. napinacz ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Powyższy kod działa w następujący sposób:
- „ napinacz() ” służy do wprowadzania tensorów w PyTorch.
- „ 1-wymiarowy ” tensor ma elementy tylko w jednym wierszu, jak pokazano powyżej.
- „ 2-wymiarowy zdefiniowany powyżej tensor ma elementy w 3 różnych kolumnach i 3 różnych wierszach.
- Oba zdefiniowane tensory są przypisane do odpowiednich „ zmienne ”:
Krok 4: Oblicz wykładniki każdego elementu tensorowego
Po zdefiniowaniu tensorów PyTorch nadszedł czas na zdefiniowanie obliczeń „ wykładniki ” każdego elementu w dwóch tensorach, używając „ latarka.exp() ' metoda:
wykładniki_tensora = latarka. do potęgi ( pytorch_tensor )wykładniki_tensora_2d = latarka. do potęgi ( pytorch_tensor_2d )
Powyższy kod działa w następujący sposób:
- „ do potęgi() ” służy do obliczania wykładnika każdego elementu w tensorze.
- „ 1D ” zmienną tensorową definiuje się jako argument „ do potęgi() ”, a następnie jest przypisywany do funkcji „ wykładniki_tensora ” zmienna, jak pokazano.
- Następnie „ 2D ” zmienna tensorowa jest również definiowana jako argument „ do potęgi() ”, a następnie jest przypisywany do funkcji „ wykładniki_tensora_2d ” zmienna, jak pokazano:
Krok 5: Wydrukuj wynik
Ostatnim krokiem jest wydrukowanie wyniku obliczeń wykładników każdego elementu zawartego w dwóch tensorach za pomocą „ wydrukować() ' metoda:
wydrukować ( „Oryginalny tensor 1D: \N ' , pytorch_tensor )wydrukować ( ' \N Potęgi tensora 1D: \N ' , wykładniki_tensora )
wydrukować ( ' \N Oryginalny tensor 2D: \N ' , pytorch_tensor_2d )
wydrukować ( ' \N Wykładniki tensora 2D: \N ' , wykładniki_tensora_2d )
Powyższy kod działa w następujący sposób:
- Użyj ' wydrukować() ”, aby wyświetlić oryginalny tensor 1D na wyjściu i wykładniki jego elementów.
- Następnie użyj tego samego „ wydrukować() ”, aby wyświetlić oryginalny tensor 2D na wyjściu i wykładniki jego elementów, jak pokazano.
- „ \N ” termin pokazany w kodzie jest używany do rozpoczęcia następnego wyjścia z następnego wiersza. Służy do uporządkowania wyświetlacza wyjściowego.
- Prosty tekst, który ma zostać wyświetlony na wyjściu, jest dodawany w cudzysłowie w obrębie „ wydrukować() argument metody.
- Po tekście następuje „ zmienny ” do druku.
Wyjście wykładników
Notatka : tutaj możesz uzyskać dostęp do naszego Notatnika Colab połączyć .
Wskazówka profesjonalna
Obliczanie wykładników elementów w tensorach PyTorch może okazać się kluczowym krokiem w przetwarzaniu wstępnym przed uruchomieniem złożonego modelu uczenia maszynowego z milionami wierszy danych. Technika ta może sprowadzić wszystkie wartości danych liczbowych do małego zakresu, co byłoby znacznie łatwiejsze dla sprzętu, co znacznie skraca czas przetwarzania.
Powodzenie! Pokazaliśmy, jak obliczyć wykładnik każdego pojedynczego elementu w tensorze PyTorch.
Wniosek
Oblicz wykładniki wszystkich elementów Tensor w PyTorch, najpierw definiując tensor, a następnie używając „ latarka.exp() ”funkcja. Na tym blogu pokazaliśmy, jak zdefiniować tensor PyTorch 1D i 2D oraz jak obliczyć wykładnik każdego elementu w tych dwóch tensorach.