Blog ini akan membincangkan cara mendapatkan eksponen elemen tensor dalam PyTorch.
Apakah Kegunaan Eksponen dalam Tensor PyTorch?
Rangkaian saraf menggunakan corak yang kompleks untuk menyambungkan berbilang input kepada berbilang output secara serentak untuk meniru fungsi otak manusia. Di bawah struktur ini, terdapat rangka rumit matematik asas yang menjadikan semua perkaitan ini mungkin. Eksponen hanyalah satu lagi konsep daripada matematik yang membantu menjadikan kehidupan pengaturcara dan saintis data lebih mudah.
Ciri penting penggunaan eksponen dalam PyTorch disenaraikan di bawah:
- Penggunaan utama eksponen adalah untuk membawa keseluruhan data dalam julat yang sesuai untuk pemprosesan yang lebih pantas.
- Kadar pereputan boleh digambarkan dengan mudah menggunakan fungsi eksponen.
- Sebarang jenis data yang mempunyai arah aliran eksponen boleh digambarkan dalam aliran linear dengan menggunakan konsep eksponen.
Bagaimana untuk Mengira Eksponen Semua Elemen Tensor dalam PyTorch?
Penggunaan Tensor untuk menyimpan nilai data adalah ciri yang luar biasa untuk PyTorch kerana semua fungsi dan kemungkinan untuk manipulasi yang dibawa oleh tensor. Mengira eksponen untuk elemen tensor individu adalah kunci untuk mengurus data dalam had yang lebih kecil.
Ikuti langkah yang diberikan di bawah untuk mengetahui cara mendapatkan eksponen elemen tensor individu dalam PyTorch:
Langkah 1: Sediakan Colab
Langkah pertama ialah menyediakan IDE. Kerjasama oleh Google ialah pilihan yang baik kerana GPU bersepadu yang tersedia secara percuma untuk pengiraan tensor. Pergi ke Colab laman web dan buka ' Buku Nota Baharu ' seperti yang ditunjukkan:
Langkah 2: Pasang dan Import Perpustakaan Obor
Rangka kerja PyTorch adalah berdasarkan penyatuan bahasa pengaturcaraan Python dan perpustakaan Torch untuk pembangunan model pembelajaran mendalam. Pemasangan dan import ' obor ” perpustakaan adalah penting untuk memulakan sebarang projek dalam PyTorch:
!pip pasang oborobor import
Kod di atas berfungsi seperti berikut:
- ' !pip ” pakej pemasangan oleh Python digunakan untuk memasang pakej dan perpustakaan dalam PyTorch.
- Seterusnya, ' import Perintah ” digunakan untuk memanggil perpustakaan dan fungsinya untuk projek:
Langkah 3: Tentukan Tensor PyTorch 1D dan 2D
Dalam tutorial ini, kami akan menunjukkan pengiraan eksponen unsur tensor bagi kedua-dua a “ 1D ' dan ' 2D ” Tensor PyTorch. Kita mulakan dengan mentakrifkan tensor ini:
pytorch_tensor = obor. tensor ( [ 10.0 , 21.0 , 94.0 , 38.0 ] )pytorch_tensor_2d = obor. tensor ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Kod di atas berfungsi seperti berikut:
- ' tensor() ” kaedah digunakan untuk memasukkan tensor dalam PyTorch.
- ' 1 dimensi ” tensor hanya mempunyai elemen dalam satu baris seperti yang ditunjukkan di atas.
- ' 2 dimensi ” tensor yang ditakrifkan di atas mempunyai elemen dalam 3 lajur yang berbeza dan 3 baris yang berbeza.
- Kedua-dua tensor yang ditakrifkan diberikan kepada ' masing-masing pembolehubah ”:
Langkah 4: Kira Eksponen setiap Elemen Tensor
Selepas menentukan tensor PyTorch, sudah tiba masanya untuk menentukan pengiraan ' eksponen ' setiap elemen dalam dua tensor menggunakan ' torch.exp() ' kaedah:
tensor_exponents = obor. exp ( pytorch_tensor )tensor_exponents_2d = obor. exp ( pytorch_tensor_2d )
Kod di atas berfungsi seperti berikut:
- ' exp() Fungsi ” digunakan untuk mengira eksponen setiap elemen dalam tensor.
- ' 1D ' pembolehubah tensor ditakrifkan sebagai hujah bagi ' exp() fungsi ' dan ia kemudiannya diberikan kepada ' tensor_exponents ” pembolehubah seperti yang ditunjukkan.
- Seterusnya, ' 2D ' pembolehubah tensor juga ditakrifkan sebagai hujah bagi ' exp() fungsi ' dan ia kemudiannya diberikan kepada ' tensor_exponents_2d ” pembolehubah seperti yang ditunjukkan:
Langkah 5: Cetak Output
Langkah terakhir ialah mencetak output pengiraan eksponen setiap elemen yang terkandung dalam dua tensor menggunakan ' cetak() ' kaedah:
cetak ( 'Tensor 1D Asal: \n ' , pytorch_tensor )cetak ( ' \n Eksponen Tensor 1D: \n ' , tensor_exponents )
cetak ( ' \n Tensor 2D Asal: \n ' , pytorch_tensor_2d )
cetak ( ' \n Eksponen Tensor 2D: \n ' , tensor_exponents_2d )
Kod di atas berfungsi seperti berikut:
- Menggunakan ' cetak() ” kaedah untuk memaparkan Tensor 1D asal dalam output dan eksponen elemennya.
- Kemudian, gunakan yang sama ' cetak() ” kaedah untuk memaparkan Tensor 2D asal dalam output dan eksponen elemennya seperti yang ditunjukkan.
- ' \n Istilah ” yang ditunjukkan dalam kod digunakan untuk memulakan output seterusnya dari baris berikut. Ia digunakan untuk memastikan paparan output teratur.
- Teks ringkas yang akan dipaparkan dalam output ditambah dalam 'koma terbalik' dalam ' cetak() ” hujah kaedah.
- Teks itu diikuti dengan ' pembolehubah ” untuk dicetak.
Keluaran eksponen
Catatan : Anda boleh mengakses Buku Nota Colab kami di sini pautan .
Petua Pro
Pengiraan eksponen elemen dalam tensor PyTorch boleh terbukti sebagai langkah penting dalam prapemprosesan sebelum menjalankan model pembelajaran mesin yang kompleks dengan berjuta-juta baris data. Teknik ini boleh membawa semua nilai data berangka dalam julat kecil yang terbukti jauh lebih mudah untuk perkakasan, sekali gus mengurangkan masa pemprosesan dengan ketara.
Berjaya! Kami telah menunjukkan kepada anda cara mengira eksponen setiap elemen individu dalam tensor PyTorch.
Kesimpulan
Kirakan eksponen semua elemen Tensor dalam PyTorch dengan mentakrifkan tensor dahulu dan kemudian, menggunakan “ torch.exp() ” fungsi. Dalam blog ini, kami mempamerkan cara untuk menentukan tensor 1D dan 2D PyTorch dan cara mengira eksponen setiap elemen dalam kedua-dua tensor ini.