In deze blog wordt besproken hoe je de exponenten van tensorelementen in PyTorch kunt krijgen.
Wat is het gebruik van exponenten in PyTorch-tensoren?
Neurale netwerken gebruiken een complex patroon om meerdere inputs tegelijkertijd met meerdere outputs te verbinden om de werking van het menselijk brein na te bootsen. Onder deze structuur ligt een ingewikkeld skelet van fundamentele wiskunde dat al deze verbindingen mogelijk maakt. Exponenten zijn gewoon een ander concept uit de wiskunde dat het leven van programmeurs en datawetenschappers veel gemakkelijker maakt.
Belangrijke kenmerken van het gebruik van exponenten in PyTorch worden hieronder vermeld:
- Het belangrijkste gebruik van exponenten is om de volledige gegevens binnen een geschikt bereik te brengen voor snellere verwerking.
- De snelheid van verval kan eenvoudig worden gevisualiseerd met behulp van exponentiële functies.
- Elk type gegevens met een exponentiële trend kan in een lineaire trend worden gevisualiseerd door gebruik te maken van het concept van exponentiële gegevens.
Hoe exponenten van alle tensorelementen in PyTorch berekenen?
Het gebruik van Tensors voor het opslaan van gegevenswaarden is een ongelooflijke functie voor PyTorch vanwege alle functionaliteit en mogelijkheden voor manipulatie die door tensoren worden geboden. Het berekenen van exponenten voor individuele tensorelementen is de sleutel tot het beheren van gegevens binnen kleinere grenzen.
Volg de onderstaande stappen om te leren hoe u de exponenten van individuele tensorelementen in PyTorch kunt verkrijgen:
Stap 1: Colab instellen
De eerste stap is het instellen van de IDE. Colaboratory by Google is een goede keuze vanwege de gratis beschikbare geïntegreerde GPU's voor de berekening van tensoren. Ga naar de Colab website en open een “ Nieuw notitieboekje ' zoals getoond:
Stap 2: Installeer en importeer de fakkelbibliotheek
Het PyTorch-framework is gebaseerd op de combinatie van de programmeertaal Python en de Torch-bibliotheek voor de ontwikkeling van deep learning-modellen. De installatie en import van de “ fakkel ”bibliotheek is essentieel om elk project in PyTorch te starten:
!pip installeer de fakkelfakkel importeren
De bovenstaande code werkt als volgt:
- De ' !Pip ”installatiepakket van Python wordt gebruikt om pakketten en bibliotheken in PyTorch te installeren.
- Vervolgens wordt de “ importeren De opdracht wordt gebruikt om bibliotheken en hun functionaliteit voor het project aan te roepen:
Stap 3: Definieer een 1D en een 2D PyTorch Tensor
In deze tutorial zullen we de berekening demonstreren van exponenten van tensorelementen van zowel een “ 1D ' en een ' 2D ”PyTorch-tensor. We beginnen met het definiëren van deze tensoren:
pytorch_tensor = fakkel. tensor ( [ 10.0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = fakkel. tensor ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
De bovenstaande code werkt als volgt:
- De ' tensor() ”-methode wordt gebruikt om tensoren in PyTorch in te voeren.
- De ' 1-dimensionaal ”tensor heeft slechts elementen in één enkele rij, zoals hierboven weergegeven.
- De ' 2-dimensionaal De hierboven gedefinieerde tensor heeft elementen in 3 verschillende kolommen en 3 verschillende rijen.
- Beide gedefinieerde tensoren worden toegewezen aan hun respectievelijke “ variabelen ”:
Stap 4: Bereken exponenten van elk tensorelement
Nadat u de PyTorch-tensoren hebt gedefinieerd, is het tijd om de berekening van “ exponenten ” van elk element in de twee tensoren met behulp van de “ fakkel.exp() methode:
tensor_exponenten = fakkel. exp ( pytorch_tensor )tensor_exponenten_2d = fakkel. exp ( pytorch_tensor_2d )
De bovenstaande code werkt als volgt:
- De ' exp() De functie wordt gebruikt om de exponent van elk element in een tensor te berekenen.
- De ' 1D De tensorvariabele wordt gedefinieerd als het argument van de exp() ”-functie en wordt vervolgens toegewezen aan de “ tensor_exponenten 'variabele zoals weergegeven.
- Vervolgens wordt de “ 2D 'tensorvariabele wordt ook gedefinieerd als het argument van de' exp() ”-functie en wordt vervolgens toegewezen aan de “ tensor_exponenten_2d ”variabele zoals weergegeven:
Stap 5: Druk de uitvoer af
De laatste stap is het afdrukken van de uitvoer van de berekening van de exponenten van elk element in de twee tensoren met behulp van de “ afdrukken() methode:
afdrukken ( 'Originele 1D-tensor: \N ' , pytorch_tensor )afdrukken ( ' \N Exponenten van 1D-tensor: \N ' , tensor_exponenten )
afdrukken ( ' \N Originele 2D-tensor: \N ' , pytorch_tensor_2d )
afdrukken ( ' \N Exponenten van 2D-tensor: \N ' , tensor_exponenten_2d )
De bovenstaande code werkt als volgt:
- Gebruik de ' afdrukken() ”-methode om de originele 1D-tensor in uitvoer en de exponenten van zijn elementen weer te geven.
- Gebruik dan dezelfde “ afdrukken() ”-methode om de originele 2D-tensor in uitvoer weer te geven en de exponenten van zijn elementen zoals weergegeven.
- De ' \N De term die in de code wordt weergegeven, wordt gebruikt om de volgende uitvoer vanaf de volgende regel te starten. Het wordt gebruikt om de uitvoerweergave overzichtelijk te houden.
- De eenvoudige tekst die in de uitvoer moet worden weergegeven, wordt toegevoegd tussen de ‘aanhalingstekens’ binnen de “ afdrukken() methode-argument.
- De tekst wordt gevolgd door de “ variabel ” afgedrukt worden.
Uitvoer van exponenten
Opmerking : Hier heeft u toegang tot ons Colab Notebook koppeling .
Pro-tip
Het berekenen van exponenten van elementen in PyTorch-tensoren kan een cruciale stap blijken te zijn in de voorverwerking voordat een complex machine-learning-model met miljoenen rijen gegevens wordt uitgevoerd. Deze techniek kan alle numerieke gegevenswaarden binnen een klein bereik brengen dat veel gemakkelijker zou blijken te zijn voor de hardware, waardoor de verwerkingstijd aanzienlijk wordt verkort.
Succes! We hebben u laten zien hoe u de exponent van elk afzonderlijk element in een PyTorch-tensor kunt berekenen.
Conclusie
Bereken de exponenten van alle Tensor-elementen in PyTorch door eerst de tensor te definiëren en vervolgens de “ fakkel.exp() ” functie. In deze blog hebben we laten zien hoe je een 1D- en een 2D-PyTorch-tensor kunt definiëren en hoe je de exponent van elk element in deze twee tensoren kunt berekenen.