Šiame tinklaraštyje bus aptarta, kaip gauti tenzoriaus elementų eksponentus PyTorch.
Koks yra eksponentų naudojimas PyTorch tensoriuose?
Neuroniniai tinklai naudoja sudėtingą modelį, kad vienu metu sujungtų kelis įėjimus prie kelių išėjimų, kad imituotų žmogaus smegenų veiklą. Po šia struktūra slypi sudėtingas pagrindinės matematikos skeletas, leidžiantis visus šiuos ryšius. Eksponentai yra tiesiog dar viena matematikos sąvoka, kuri padeda daug palengvinti programuotojų ir duomenų mokslininkų gyvenimą.
Toliau išvardytos svarbios eksponentų naudojimo PyTorch ypatybės:
- Pagrindinis eksponentų naudojimas yra perkelti visus duomenis į tinkamą diapazoną, kad būtų galima greičiau apdoroti.
- Skilimo greitį galima lengvai vizualizuoti naudojant eksponentinę funkciją.
- Bet kokio tipo duomenys, turintys eksponentinę tendenciją, gali būti vizualizuojami tiesine tendencija, naudojant eksponentinių sąvoką.
Kaip apskaičiuoti visų tensorinių elementų eksponentus „PyTorch“?
„Tensors“ naudojimas duomenų reikšmėms saugoti yra neįtikėtina „PyTorch“ savybė dėl visų tenzorių teikiamų funkcijų ir manipuliavimo galimybių. Atskirų tenzorinių elementų eksponentų skaičiavimas yra labai svarbus norint valdyti duomenis mažesnėse ribose.
Atlikite toliau nurodytus veiksmus, kad sužinotumėte, kaip gauti atskirų tenzorinių elementų eksponentus PyTorch:
1 veiksmas: nustatykite „Colab“.
Pirmasis žingsnis yra nustatyti IDE. „Google Colaboratory“ yra geras pasirinkimas dėl laisvai prieinamų integruotų GPU, skirtų tenzoriams skaičiuoti. Eikite į „Colab“. Interneto svetainė ir atidarykite ' Naujas bloknotas ' taip, kaip parodyta:
2 veiksmas: įdiekite ir importuokite „Torch Library“.
„PyTorch“ sistema yra pagrįsta „Python“ programavimo kalbos ir „Torch“ bibliotekos sąjunga, skirta gilaus mokymosi modeliams kurti. Įdiegti ir importuoti „ deglas biblioteka yra būtina norint pradėti bet kokį projektą „PyTorch“:
!pip įdiegti žibintuvėlįimporto žibintuvėlis
Aukščiau pateiktas kodas veikia taip:
- „ !pip Python diegimo paketas naudojamas paketams ir bibliotekoms įdiegti PyTorch.
- Toliau „ importuoti ” komanda naudojama iškviesti bibliotekas ir jų funkcijas projektui:
3 veiksmas: apibrėžkite 1D ir 2D PyTorch tensor
Šioje pamokoje parodysime, kaip apskaičiuojami abiejų „ 1D “ ir „ 2D PyTorch tenzorius. Pradedame apibrėždami šiuos tenzorius:
pytorch_tensor = deglas. tenzoras ( [ 10.0 , 21.0 , 94,0 , 38.0 ] )pytorch_tensor_2d = deglas. tenzoras ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Aukščiau pateiktas kodas veikia taip:
- „ tensor () “ metodas naudojamas tenzoriams įvesti PyTorch.
- „ 1 dimensijos “ tensoryje yra elementai tik vienoje eilutėje, kaip parodyta aukščiau.
- „ 2 dimensijos “ pirmiau apibrėžtas tensoris turi elementus 3 atskiruose stulpeliuose ir 3 skirtingose eilutėse.
- Abu apibrėžti tenzoriai yra priskirti atitinkamiems ' kintamieji “:
4 veiksmas: apskaičiuokite kiekvieno tenzoriaus elemento eksponentus
Apibrėžus PyTorch tenzorius, laikas apibrėžti „ eksponentų “ kiekvieno elemento dviejuose tenzoriuose naudojant „ torch.exp() “ metodas:
tensor_rodikliai = deglas. exp ( pytorch_tensor )tensor_expponents_2d = deglas. exp ( pytorch_tensor_2d )
Aukščiau pateiktas kodas veikia taip:
- „ exp () Funkcija naudojama kiekvieno tenzoriaus elemento eksponentui apskaičiuoti.
- „ 1D ' tenzorio kintamasis yra apibrėžiamas kaip ' argumentas ' exp () “ funkcija ir tada ji priskiriama „ tensor_rodikliai “ kintamasis, kaip parodyta.
- Toliau „ 2D Tensor kintamasis taip pat apibrėžiamas kaip argumentas exp () “ funkcija ir tada ji priskiriama „ tensor_expponents_2d “ kintamasis, kaip parodyta:
5 veiksmas: išspausdinkite išvestį
Paskutinis žingsnis yra išspausdinti kiekvieno elemento, esančio dviejuose tenzoriuose, eksponentų skaičiavimo išvestį, naudojant „ spausdinti () “ metodas:
spausdinti ( 'Original 1D Tensor: \n ' , pytorch_tensor )spausdinti ( ' \n 1D tenzoriaus eksponentai: \n ' , tensor_rodikliai )
spausdinti ( ' \n Originalus 2D Tensor: \n ' , pytorch_tensor_2d )
spausdinti ( ' \n 2D tenzoriaus eksponentai: \n ' , tensor_expponents_2d )
Aukščiau pateiktas kodas veikia taip:
- Naudoti ' spausdinti () “ metodą, kad būtų rodomas originalus 1D tenzorius išvestyje ir jo elementų eksponentai.
- Tada naudokite tą patį ' spausdinti () “ metodą, kad būtų rodomas originalus 2D tensorius išvestyje ir jo elementų eksponentai, kaip parodyta.
- „ \n “ terminas, rodomas kode, naudojamas norint pradėti kitą išvestį iš kitos eilutės. Jis naudojamas norint išlaikyti tvarkingą išvesties ekraną.
- Paprastas tekstas, kuris turi būti rodomas išvestyje, įtraukiamas į „apverstus kablelius“ spausdinti () “ metodo argumentas.
- Po teksto rašoma „ kintamasis “, kurį reikia atspausdinti.
Eksponentų išvestis
Pastaba : „Colab“ bloknotą galite pasiekti šiuo adresu nuoroda .
Pro-Tip
Elementų eksponentų skaičiavimas PyTorch tensoriuose gali būti esminis išankstinio apdorojimo žingsnis prieš paleidžiant sudėtingą mašininio mokymosi modelį su milijonais duomenų eilučių. Naudojant šį metodą, visos skaitmeninės duomenų reikšmės gali būti nedideliame diapazone, kuris būtų daug lengvesnis aparatinei įrangai, taip žymiai sumažinant apdorojimo laiką.
Sėkmė! Mes parodėme, kaip apskaičiuoti kiekvieno atskiro elemento eksponentą PyTorch tenzoryje.
Išvada
Apskaičiuokite visų „PyTorch“ tensorinių elementų eksponentus pirmiausia apibrėždami tenzorių ir tada naudodami „ torch.exp() ' funkcija. Šiame tinklaraštyje pademonstravome, kaip apibrėžti 1D ir 2D PyTorch tenzorius ir kaip apskaičiuoti kiekvieno šių dviejų tenzorių elemento eksponentą.