Ez a blog megvitatja, hogyan szerezheti be a tenzorelemek kitevőit a PyTorch-ban.
Mi a kitevő használata a PyTorch tenzorokban?
A neurális hálózatok összetett mintát használnak, hogy több bemenetet több kimenethez kapcsoljanak egyidejűleg, hogy utánozzák az emberi agy működését. E szerkezet alatt az alapvető matematika bonyolult váza lapul, amely mindezeket az összefüggéseket lehetővé teszi. Az exponensek egyszerűen egy másik matematikai fogalom, amely jelentősen megkönnyíti a programozók és adattudósok életét.
Az alábbiakban felsoroljuk a kitevők PyTorch használatának fontos jellemzőit:
- A kitevők fő felhasználása az, hogy a teljes adatot megfelelő tartományba helyezzük a gyorsabb feldolgozás érdekében.
- A bomlás sebessége exponenciális függvényekkel könnyen megjeleníthető.
- Bármilyen típusú adat, amely exponenciális trenddel rendelkezik, megjeleníthető lineáris trendben az exponenciális fogalmának felhasználásával.
Hogyan számítható ki az összes tenzorelem kitevője a PyTorchban?
A tenzorok adatértékek tárolására való használata a PyTorch hihetetlen funkciója a tenzorok által biztosított összes funkcionalitás és manipulációs lehetőség miatt. Az egyes tenzorelemekhez tartozó kitevők kiszámítása kulcsfontosságú az adatok kisebb határokon belüli kezeléséhez.
Kövesse az alábbi lépéseket, hogy megtanulja, hogyan szerezheti be az egyes tenzorelemek kitevőit a PyTorch alkalmazásban:
1. lépés: A Colab beállítása
Az első lépés az IDE beállítása. A Colaboratory by Google jó választás a tenzorok kiszámítására szolgáló, szabadon elérhető integrált GPU-i miatt. Menj a Colabba weboldal és nyisson meg egy ' Új Notebook ' az ábrán látható módon:
2. lépés: Telepítse és importálja a Torch Library-t
A PyTorch keretrendszer a Python programozási nyelv és a Torch könyvtár egyesülésén alapul a mély tanulási modellek fejlesztésére. A „ fáklya ” könyvtár elengedhetetlen a PyTorch bármely projektjének elindításához:
!pip install zseblámpaimport fáklya
A fenti kód a következőképpen működik:
- A ' !csipog ” Python telepítőcsomagja csomagok és könyvtárak telepítésére szolgál PyTorchban.
- Ezután a „ import ” parancs a programkönyvtárak és azok funkcióinak meghívására szolgál a projekt számára:
3. lépés: Határozzon meg egy 1D és egy 2D PyTorch tenzort
Ebben az oktatóanyagban bemutatjuk a tenzorelemek kitevőinek kiszámítását mind a „ 1D ” és egy „ 2D ” PyTorch tenzor. Kezdjük a tenzorok meghatározásával:
pytorch_tensor = fáklya. tenzor ( [ 10.0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = fáklya. tenzor ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
A fenti kód a következőképpen működik:
- A ' tenzor() ” metódus a tenzorok bevitelére szolgál a PyTorch-ban.
- A ' 1 dimenziós ” tenzornak csak egyetlen sorban vannak elemei, amint az fent látható.
- A ' 2-dimenziós ” A fent definiált tenzor elemei 3 különálló oszlopban és 3 különálló sorban találhatók.
- Mindkét definiált tenzor hozzá van rendelve a megfelelő ' változók ”:
4. lépés: Számítsa ki az egyes tenzorelemek kitevőit
A PyTorch tenzorok meghatározása után itt az ideje meghatározni a „ kitevők ' a két tenzor minden elemének a ' torch.exp() ” módszer:
tenzor_kitevők = fáklya. exp ( pytorch_tensor )tenzor_kitevők_2d = fáklya. exp ( pytorch_tensor_2d )
A fenti kód a következőképpen működik:
- A ' exp() ” függvény a tenzor egyes elemeinek kitevőjének kiszámítására szolgál.
- A ' 1D ' tenzorváltozó a ' exp() ” funkcióhoz, majd hozzá van rendelve a „ tenzor_kitevők ” változó az ábrán látható módon.
- Ezután a „ 2D A tenzorváltozó a ' exp() ” funkcióhoz, majd hozzá van rendelve a „ tenzor_kitevők_2d ” változó a képen látható módon:
5. lépés: Nyomtassa ki a kimenetet
Az utolsó lépés az, hogy kinyomtatja a két tenzoron belüli minden elem kitevőjének számítási eredményét a „ nyomtatás() ” módszer:
nyomtatás ( Eredeti 1D tenzor: \n ' , pytorch_tensor )nyomtatás ( ' \n Az 1D tenzor kitevői: \n ' , tenzor_kitevők )
nyomtatás ( ' \n Eredeti 2D Tensor: \n ' , pytorch_tensor_2d )
nyomtatás ( ' \n A 2D tenzor kitevői: \n ' , tenzor_kitevők_2d )
A fenti kód a következőképpen működik:
- Használja a ' nyomtatás() ” módszer az eredeti 1D tenzor kimenetben és elemeinek kitevőinek megjelenítéséhez.
- Ezután használja ugyanazt a ' nyomtatás() ” módszerrel jelenítheti meg az eredeti 2D tenzort a kimenetben és elemeinek kitevőit az ábrán látható módon.
- A ' \n ” kifejezés, amely a kódban látható, a következő sorból következő kimenet kezdetére szolgál. A kimeneti kijelző rendszerezésére szolgál.
- A kimenetben megjelenítendő egyszerű szöveget a „fordított vesszők” közé adjuk a „ nyomtatás() ” metódus argumentuma.
- A szöveget a „ változó ” nyomtatandó.
Kitevők kimenete
jegyzet : Colab-jegyzetfüzetünket ezen a címen érheti el link .
Profi tipp
Az elemek kitevőinek kiszámítása PyTorch tenzorokban kulcsfontosságú lépésnek bizonyulhat az előfeldolgozásban, mielőtt egy összetett, több millió adatsort tartalmazó gépi tanulási modellt futtatnánk. Ezzel a technikával az összes numerikus adatértéket egy kis tartományba tudja vinni, ami sokkal könnyebbnek bizonyulna a hardver számára, ezáltal jelentősen csökkenti a feldolgozási időt.
Siker! Megmutattuk, hogyan számíthatja ki minden egyes elem kitevőjét a PyTorch tenzorban.
Következtetés
Számítsa ki a PyTorch összes Tensor elemének kitevőjét úgy, hogy először meghatározza a tenzort, majd a ' torch.exp() ” funkciót. Ebben a blogban bemutattuk, hogyan határozhatunk meg egy 1D és egy 2D PyTorch tenzort, és hogyan számíthatjuk ki az egyes elemek kitevőit ebben a két tenzorban.