בלוג זה ידון כיצד להשיג את המעריכים של רכיבי טנזור ב- PyTorch.
מהו השימוש באקספונטים בטנסורים של PyTorch?
רשתות עצביות משתמשות בדפוס מורכב כדי לחבר מספר כניסות למספר יציאות בו זמנית כדי לחקות את תפקוד המוח האנושי. מתחת למבנה הזה, מסתתר שלד מורכב של מתמטיקה בסיסית שמאפשר את כל הקשרים הללו. אקספוננטים הם פשוט עוד מושג מהמתמטיקה שעוזר להפוך את חייהם של מתכנתים ומדעני נתונים להרבה יותר קלים.
תכונות חשובות של השימוש במעריכים ב- PyTorch מפורטות להלן:
- השימוש העיקרי באקספונטים הוא להביא את כל הנתונים לטווח מתאים לעיבוד מהיר יותר.
- ניתן להמחיש בקלות את קצב הדעיכה באמצעות פונקציות אקספוננציאליות.
- ניתן להמחיש כל סוג של נתונים שיש להם מגמה מעריכית במגמה ליניארית על ידי שימוש במושג אקספוננציאלים.
כיצד לחשב מעריכים של כל אלמנטי הטנזור ב- PyTorch?
השימוש בטנסורים לאחסון ערכי נתונים הוא תכונה מדהימה עבור PyTorch בגלל כל הפונקציונליות והאפשרויות למניפולציה שהביאו הטנזורים. חישוב מעריכים עבור רכיבי טנזור בודדים הוא המפתח לניהול נתונים בגבולות קטנים יותר.
בצע את השלבים המפורטים להלן כדי ללמוד כיצד לקבל את המעריכים של רכיבי טנזור בודדים ב- PyTorch:
שלב 1: הגדר את Colab
השלב הראשון הוא הגדרת ה-IDE. Collaboratory מאת Google היא בחירה טובה בגלל ה-GPU המשולבים הזמינים באופן חופשי לחישוב הטנסורים. לך לקולאב אתר אינטרנט ותפתחי ' מחברת חדשה ' כפי שמוצג:
שלב 2: התקן וייבא את ספריית הלפיד
מסגרת PyTorch מבוססת על האיחוד של שפת התכנות Python וספריית Torch לפיתוח מודלים של למידה עמוקה. ההתקנה והיבוא של ' לפיד ספריה חיונית כדי להתחיל כל פרויקט ב- PyTorch:
!pip להתקין לפידלייבא לפיד
הקוד לעיל פועל באופן הבא:
- ה ' !צִפצוּף ” חבילת ההתקנה של Python משמשת להתקנת חבילות וספריות ב- PyTorch.
- לאחר מכן, ה' יְבוּא הפקודה משמשת לקריאת ספריות והפונקציונליות שלהן עבור הפרויקט:
שלב 3: הגדר 1D ו-2D PyTorch Tensor
במדריך זה, נדגים את החישוב של מעריכים של רכיבי טנזור של ' 1D 'ו' 2D 'טנזור PyTorch. נתחיל בהגדרת הטנסורים הבאים:
pytorch_tensor = לפיד. מוֹתֵחַ ( [ 10.0 , 21.0 , 94.0 , 38.0 ] )pytorch_tensor_2d = לפיד. מוֹתֵחַ ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
הקוד לעיל פועל באופן הבא:
- ה ' מוֹתֵחַ() השיטה משמשת להזנת טנסורים ב- PyTorch.
- ה ' 1 מימדי ” לטנזור יש רק אלמנטים בשורה אחת כפי שמוצג לעיל.
- ה ' דו מימד ” לטנזור שהוגדר למעלה יש אלמנטים ב-3 עמודות נפרדות ו-3 שורות נפרדות.
- שני הטנזורים המוגדרים מוקצים ל' משתנים ”:
שלב 4: חישוב המעריכים של כל אלמנט טנסור
לאחר הגדרת הטנסורים של PyTorch, הגיע הזמן להגדיר את החישוב של ' מעריכים ' של כל אלמנט בשני הטנזורים באמצעות ' torch.exp() ' שיטה:
tensor_exponents = לפיד. exp ( pytorch_tensor )tensor_exponents_2d = לפיד. exp ( pytorch_tensor_2d )
הקוד לעיל פועל באופן הבא:
- ה ' exp() הפונקציה משמשת לחישוב המעריך של כל אלמנט בטנזור.
- ה ' 1D משתנה טנסור מוגדר כארגומנט של ' exp() ' הפונקציה ולאחר מכן היא מוקצית ל' tensor_exponents ' משתנה כפי שמוצג.
- לאחר מכן, ה' 2D משתנה טנסור מוגדר גם כארגומנט של ' exp() ' הפונקציה ולאחר מכן היא מוקצית ל' tensor_exponents_2d משתנה כפי שמוצג:
שלב 5: הדפס את הפלט
השלב האחרון הוא להדפיס את הפלט של חישוב המעריכים של כל אלמנט הכלול בשני הטנסורים באמצעות ' הדפס() ' שיטה:
הדפס ( 'טנסור 1D מקורי: \n ' , pytorch_tensor )הדפס ( ' \n המעריכים של טנסור 1D: \n ' , tensor_exponents )
הדפס ( ' \n טנזור 2D מקורי: \n ' , pytorch_tensor_2d )
הדפס ( ' \n המעריכים של טנזור דו מימדי: \n ' , tensor_exponents_2d )
הקוד לעיל פועל באופן הבא:
- להשתמש ב ' הדפס() שיטה להצגת הטנסור ה-1D המקורי בפלט ואת המעריכים של האלמנטים שלו.
- לאחר מכן, השתמש באותו ' הדפס() שיטה להצגת הטנסור הדו-ממדי המקורי בפלט ואת המעריכים של האלמנטים שלו כפי שמוצג.
- ה ' \n המונח המוצג בקוד משמש כדי להתחיל את הפלט הבא מהשורה הבאה. הוא משמש כדי לשמור על תצוגת הפלט מאורגנת.
- הטקסט הפשוט שיש להציג בפלט מתווסף ב'פסיקים הפוכים' בתוך ' הדפס() ' טיעון שיטה.
- אחרי הטקסט מופיע ' מִשְׁתַנֶה ' שיודפס.
פלט מעריכים
הערה : תוכל לגשת למחברת Colab שלנו כאן קישור .
פרו-טיפ
מעריצי מחשוב של אלמנטים בטנזורים של PyTorch יכולים להוכיח את עצמם כשלב חיוני בעיבוד מקדים לפני הפעלת מודל מורכב של למידת מכונה עם מיליוני שורות של נתונים. טכניקה זו יכולה להביא את כל ערכי הנתונים המספריים לטווח קטן שיתברר כהרבה יותר קל עבור החומרה, ובכך להפחית משמעותית את זמן העיבוד.
הַצלָחָה! הראינו לך כיצד לחשב את המעריך של כל אלמנט בודד בטנזור PyTorch.
סיכום
חשב את המעריכים של כל רכיבי Tensor ב- PyTorch על ידי הגדרת תחילה את הטנסור ולאחר מכן, באמצעות ' torch.exp() ' פונקציה. בבלוג זה, הצגנו כיצד להגדיר טנזור 1D ו- 2D PyTorch וכיצד לחשב את המעריך של כל אלמנט בשני הטנסורים הללו.