В этом блоге будет обсуждаться, как получить показатели степени тензорных элементов в PyTorch.
Каково использование показателей в тензорах PyTorch?
Нейронные сети используют сложную схему для одновременного подключения нескольких входов к нескольким выходам, чтобы имитировать функционирование человеческого мозга. Под этой структурой скрывается сложный скелет фундаментальной математики, который делает все эти связи возможными. Экспоненты — это просто еще одно математическое понятие, которое помогает значительно облегчить жизнь программистам и специалистам по обработке данных.
Важные особенности использования показателей степени в PyTorch перечислены ниже:
- Основное использование экспонент — привести все данные в подходящий диапазон для более быстрой обработки.
- Скорость затухания можно легко визуализировать с помощью экспоненциальных функций.
- Любой тип данных, имеющий экспоненциальный тренд, можно визуализировать в виде линейного тренда, используя концепцию экспоненты.
Как вычислить показатели всех тензорных элементов в PyTorch?
Использование тензоров для хранения значений данных — замечательная особенность PyTorch из-за всей функциональности и возможностей манипулирования, предоставляемых тензорами. Вычисление показателей степени для отдельных элементов тензора является ключом к управлению данными в меньших пределах.
Следуйте инструкциям ниже, чтобы узнать, как получить показатели отдельных тензорных элементов в PyTorch:
Шаг 1. Настройте Colab
Первым шагом является настройка IDE. Colaboratory от Google — хороший выбор из-за свободно доступных встроенных графических процессоров для вычислений тензоров. Иди в Колаб Веб-сайт и откройте « Новый блокнот ' как показано:
Шаг 2. Установите и импортируйте библиотеку Torch.
Платформа PyTorch основана на объединении языка программирования Python и библиотеки Torch для разработки моделей глубокого обучения. Установка и импорт « факел ” необходима для начала любого проекта в PyTorch:
!pip установить факелимпортный фонарь
Приведенный выше код работает следующим образом:
- « !пип »Установочный пакет Python используется для установки пакетов и библиотек в PyTorch.
- Далее « Импортировать Команда «используется для вызова библиотек и их функционала для проекта:
Шаг 3. Определите 1D и 2D тензоры PyTorch
В этом уроке мы продемонстрируем вычисление показателей тензорных элементов как 1Д » и « 2D Тензор PyTorch. Начнем с определения этих тензоров:
pytorch_tensor '=' факел. тензор ( [ 10,0 , 21,0 , 94,0 , 38,0 ] )pytorch_tensor_2d '=' факел. тензор ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Приведенный выше код работает следующим образом:
- « тензор() » используется для ввода тензоров в PyTorch.
- « 1-мерный Тензор имеет элементы только в одной строке, как показано выше.
- « 2-мерный Тензор, определенный выше, имеет элементы в трех разных столбцах и трех разных строках.
- Оба определенных тензора присваиваются соответствующим « переменные »:
Шаг 4. Вычисление показателей каждого элемента тензора
После определения тензоров PyTorch пришло время определить вычисление « показатели ” каждого элемента в двух тензорах, используя “ факел.exp() » метод:
tensor_exponds '=' факел. опыт ( pytorch_tensor )tensor_exponds_2d '=' факел. опыт ( pytorch_tensor_2d )
Приведенный выше код работает следующим образом:
- « эксп() Функция используется для вычисления показателя степени каждого элемента в тензоре.
- « 1Д Тензорная переменная определяется как аргумент функции « эксп() ” и затем присваивается функции “ tensor_exponds », как показано.
- Далее « 2D Тензорная переменная также определяется как аргумент функции « эксп() ” и затем присваивается функции “ tensor_exponds_2d переменная, как показано:
Шаг 5: Распечатайте результат
Последний шаг — распечатать результаты расчета показателей каждого элемента, содержащегося в двух тензорах, с помощью « Распечатать() » метод:
Распечатать ( 'Оригинальный 1D-тензор: \п ' , pytorch_tensor )Распечатать ( ' \п Показатели 1D-тензора: \п ' , tensor_exponds )
Распечатать ( ' \п Исходный 2D-тензор: \п ' , pytorch_tensor_2d )
Распечатать ( ' \п Показатели 2D-тензора: \п ' , tensor_exponds_2d )
Приведенный выше код работает следующим образом:
- Использовать ' Распечатать() ” для отображения исходного 1D-тензора на выходе и показателей его элементов.
- Затем используйте то же самое « Распечатать() » для отображения исходного 2D-тензора на выходе и показателей его элементов, как показано.
- « \п Термин «, показанный в коде, используется для начала следующего вывода со следующей строки. Он используется для организации вывода вывода.
- Простой текст, который должен отображаться на выходе, добавляется в «кавычки» внутри « Распечатать() аргумент метода.
- За текстом следует « переменная » для печати.
Вывод показателей
Примечание : Вы можете получить доступ к нашему блокноту Colab по этому адресу. связь .
Профессиональный совет
Вычисление показателей элементов в тензорах PyTorch может оказаться решающим шагом в предварительной обработке перед запуском сложной модели машинного обучения с миллионами строк данных. Этот метод может привести все числовые значения данных в небольшой диапазон, что будет намного проще для аппаратного обеспечения, тем самым значительно сокращая время обработки.
Успех! Мы показали вам, как вычислить показатель степени каждого отдельного элемента в тензоре PyTorch.
Заключение
Вычислите показатели всех элементов Tensor в PyTorch, сначала определив тензор, а затем используя « факел.exp() » функция. В этом блоге мы продемонстрировали, как определить 1D- и 2D-тензоры PyTorch и как вычислить показатель степени каждого элемента в этих двух тензорах.