Tässä blogissa keskustellaan siitä, kuinka saada tensorielementtien eksponentit PyTorchissa.
Mikä on eksponentien käyttö PyTorch-tensoreissa?
Neuraaliverkot käyttävät monimutkaista mallia yhdistääkseen useita tuloja useisiin lähtöihin samanaikaisesti jäljitelläkseen ihmisaivojen toimintaa. Tämän rakenteen alla on monimutkainen perusmatematiikan luuranko, joka tekee kaikki nämä yhteydet mahdollisiksi. Eksponentit ovat yksinkertaisesti toinen matematiikan käsite, joka helpottaa ohjelmoijien ja datatieteilijöiden elämää huomattavasti.
PyTorchin eksponenttikäytön tärkeät ominaisuudet on lueteltu alla:
- Eksponenttien pääasiallinen käyttötarkoitus on tuoda koko data sopivalle alueelle käsittelyn nopeuttamiseksi.
- Vaimenemisnopeus voidaan helposti visualisoida eksponentiaalisilla funktioilla.
- Kaiken tyyppinen data, jolla on eksponentiaalinen trendi, voidaan visualisoida lineaarisena trendinä käyttämällä eksponentiaalien käsitettä.
Kuinka laskea kaikkien tensorielementtien eksponentit PyTorchissa?
Tensorien käyttö data-arvojen tallentamiseen on PyTorchin uskomaton ominaisuus kaikkien tensorien tuomien toimintojen ja manipulointimahdollisuuksien vuoksi. Eksponenttien laskeminen yksittäisille tensorielementeille on avainasemassa tietojen hallinnassa pienemmissä rajoissa.
Seuraa alla olevia ohjeita saadaksesi selville yksittäisten tensorielementtien eksponentit PyTorchissa:
Vaihe 1: Ota Colab käyttöön
Ensimmäinen askel on määrittää IDE. Googlen Colaboratory on hyvä valinta sen vapaasti saatavilla olevien integroitujen grafiikkasuorittimien vuoksi tensorien laskemiseen. Mene Colabiin verkkosivusto ja avaa ' Uusi muistikirja ' kuten on esitetty:
Vaihe 2: Asenna ja tuo Torch Library
PyTorch-kehys perustuu Python-ohjelmointikielen ja Torch-kirjaston yhdistämiseen syväoppimismallien kehittämiseen. ' taskulamppu ”kirjasto on välttämätön minkä tahansa projektin aloittamiselle PyTorchissa:
!pip install taskulampputuonti taskulamppu
Yllä oleva koodi toimii seuraavasti:
- ' !pip ” Pythonin asennuspakettia käytetään pakettien ja kirjastojen asentamiseen PyTorchissa.
- Seuraavaksi ' tuonti ” -komentoa käytetään kutsumaan kirjastoja ja niiden toimintoja projektille:
Vaihe 3: Määritä 1D- ja 2D-PyTorch-tensori
Tässä opetusohjelmassa esittelemme molempien tensorielementtien eksponentien laskemista 1D ' ja ' 2D ”PyTorch-tensori. Aloitamme määrittelemällä nämä tensorit:
pytorch_tensor = taskulamppu. tensori ( [ 10.0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = taskulamppu. tensori ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Yllä oleva koodi toimii seuraavasti:
- ' tensori() ” -menetelmää käytetään tensorien syöttämiseen PyTorchiin.
- ' 1-ulotteinen ” tensorissa on elementtejä vain yhdellä rivillä, kuten yllä on esitetty.
- ' 2-ulotteinen ” edellä määritellyssä tensorissa on elementtejä 3 erillisessä sarakkeessa ja 3 erillisessä rivissä.
- Molemmat määritellyt tensorit on kohdistettu vastaaviin ' muuttujia ':
Vaihe 4: Laske kunkin tensorielementin eksponentit
PyTorch-tensorien määrittämisen jälkeen on aika määritellä ' eksponentit ' kunkin elementin kahdessa tensorissa käyttämällä ' torch.exp() 'menetelmä:
tensorieksponentit = taskulamppu. exp ( pytorch_tensor )tensorieksponentit_2d = taskulamppu. exp ( pytorch_tensor_2d )
Yllä oleva koodi toimii seuraavasti:
- ' exp() ”-funktiota käytetään tensorin jokaisen elementin eksponentin laskemiseen.
- ' 1D ' tensorimuuttuja määritellään ' argumentiksi ' exp() ' -toiminto ja se määritetään sitten ' tensorieksponentit ”-muuttuja kuvan mukaisesti.
- Seuraavaksi ' 2D ' tensorimuuttuja määritellään myös ' exp() ' -toiminto ja se määritetään sitten ' tensorieksponentit_2d ” muuttuja kuvan mukaisesti:
Vaihe 5: Tulosta tuloste
Viimeinen vaihe on tulostaa kunkin kahden tensorin sisältämän elementin eksponenttilaskennan tulos käyttämällä ' Tulosta() 'menetelmä:
Tulosta ( 'Alkuperäinen 1D-tensori: \n ' , pytorch_tensor )Tulosta ( ' \n 1D-tensorin eksponentit: \n ' , tensorieksponentit )
Tulosta ( ' \n Alkuperäinen 2D Tensor: \n ' , pytorch_tensor_2d )
Tulosta ( ' \n 2D-tensorin eksponentit: \n ' , tensorieksponentit_2d )
Yllä oleva koodi toimii seuraavasti:
- Käytä ' Tulosta() ” -menetelmä näyttää alkuperäisen 1D-tensorin lähdössä ja sen elementtien eksponentit.
- Käytä sitten samaa ' Tulosta() ” -menetelmä näyttää alkuperäisen 2D-tensorin lähdössä ja sen elementtien eksponentit kuvan mukaisesti.
- ' \n ” koodissa näkyvää termiä käytetään aloittamaan seuraava tulos seuraavalta riviltä. Sitä käytetään pitämään ulostulonäyttö järjestyksessä.
- Yksinkertainen teksti, joka näytetään tulosteessa, lisätään 'käänteisiin pilkkuihin' ' Tulosta() ”menetelmä argumentti.
- Tekstiä seuraa ' muuttuja ” tulostetaan.
Eksponenttien tulos
Huomautus : Pääset käyttämään Colab-muistikirjaamme tästä linkki .
Pro-Tip
Elementtien eksponentien laskeminen PyTorch-tensoreissa voi osoittautua ratkaisevaksi vaiheeksi esikäsittelyssä ennen monimutkaisen koneoppimismallin suorittamista, jossa on miljoonia tietorivejä. Tämä tekniikka voi tuoda kaikki numeeriset data-arvot pienelle alueelle, mikä osoittautuisi paljon helpommaksi laitteistolle, mikä vähentää merkittävästi käsittelyaikaa.
Menestys! Olemme näyttäneet sinulle kuinka laskea PyTorch-tensorin jokaisen yksittäisen elementin eksponentti.
Johtopäätös
Laske kaikkien PyTorchin Tensor-elementtien eksponentit määrittämällä ensin tensori ja sitten käyttämällä ' torch.exp() ”-toiminto. Tässä blogissa esittelimme, kuinka määritellään 1D- ja 2D-PyTorch-tensori ja kuinka lasketaan näiden kahden tensorin kunkin elementin eksponentti.