Šajā emuārā tiks apspriests, kā PyTorch iegūt tenzora elementu eksponentus.
Kāda ir eksponentu izmantošana PyTorch tensoros?
Neironu tīkli izmanto sarežģītu modeli, lai vienlaikus savienotu vairākas ievades ar vairākām izejām, lai atdarinātu cilvēka smadzeņu darbību. Zem šīs struktūras atrodas sarežģīts fundamentālās matemātikas skelets, kas padara visas šīs attiecības iespējamas. Eksponenti ir vienkārši vēl viens matemātikas jēdziens, kas palīdz ievērojami atvieglot programmētāju un datu zinātnieku dzīvi.
Tālāk ir norādītas svarīgas eksponentu izmantošanas funkcijas PyTorch:
- Eksponentu galvenais lietojums ir visu datu pārvietošana piemērotā diapazonā ātrākai apstrādei.
- Samazināšanās ātrumu var viegli vizualizēt, izmantojot eksponenciālās funkcijas.
- Jebkura veida datus, kuriem ir eksponenciāla tendence, var vizualizēt lineārā tendencē, izmantojot eksponenciālu jēdzienu.
Kā PyTorch aprēķināt visu tensoru elementu eksponentus?
Tensoru izmantošana datu vērtību glabāšanai ir neticama PyTorch funkcija, jo visas tenzoru sniegtās funkcionalitātes un manipulācijas iespējas. Eksponentu aprēķināšana atsevišķiem tenzora elementiem ir būtiska, lai pārvaldītu datus mazākās robežās.
Veiciet tālāk norādītās darbības, lai uzzinātu, kā PyTorch iegūt atsevišķu tenzoru elementu eksponentus:
1. darbība. Colab iestatīšana
Pirmais solis ir iestatīt IDE. Google Colaboratory ir laba izvēle, jo tajā ir brīvi pieejami integrētie GPU tensoru aprēķināšanai. Dodieties uz Colab tīmekļa vietne un atveriet ' Jauna piezīmju grāmatiņa ' kā parādīts:
2. darbība. Instalējiet un importējiet Torch bibliotēku
PyTorch ietvars ir balstīts uz Python programmēšanas valodas un Torch bibliotēkas apvienojumu dziļo mācību modeļu izstrādei. “Instalēšana un importēšana lāpa ” bibliotēka ir būtiska, lai sāktu jebkuru projektu PyTorch:
!pip uzstādīt lāpuimporta lāpa
Iepriekš minētais kods darbojas šādi:
- ' !pip Python instalācijas pakotne tiek izmantota, lai instalētu pakotnes un bibliotēkas PyTorch.
- Tālāk “ imports ” komanda tiek izmantota, lai izsauktu bibliotēkas un to funkcionalitāti projektam:
3. darbība: definējiet 1D un 2D PyTorch tensoru
Šajā apmācībā mēs demonstrēsim abu “tenzora elementu” eksponentu aprēķināšanu. 1D ” un „ 2D PyTorch tensors. Mēs sākam, definējot šos tenzorus:
pytorch_tensor = lāpa. tenzors ( [ 10.0 , 21.0 , 94,0 , 38.0 ] )pytorch_tensor_2d = lāpa. tenzors ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Iepriekš minētais kods darbojas šādi:
- ' tenzors () ” metode tiek izmantota, lai PyTorch ievadītu tensorus.
- ' 1-dimensiju ” tensoram ir elementi tikai vienā rindā, kā parādīts iepriekš.
- ' 2-dimensiju Iepriekš definētajam tensoram ir elementi 3 atšķirīgās kolonnās un 3 atšķirīgās rindās.
- Abi definētie tensori ir piešķirti to attiecīgajiem ' mainīgie ”:
4. darbība. Aprēķiniet katra tenzora elementa eksponentus
Pēc PyTorch tensoru definēšanas ir pienācis laiks definēt ' eksponenti ” no katra elementa divos tensoros, izmantojot “ torch.exp() ” metode:
tenzora_eksponenti = lāpa. exp ( pytorch_tensor )tenzora_eksponenti_2d = lāpa. exp ( pytorch_tensor_2d )
Iepriekš minētais kods darbojas šādi:
- ' exp() Funkcija tiek izmantota, lai aprēķinātu katra elementa eksponentu tensorā.
- ' 1D 'tensora mainīgais ir definēts kā arguments ' exp() ” funkciju un pēc tam tiek piešķirta funkcijai tenzora_eksponenti ” mainīgais, kā parādīts attēlā.
- Tālāk “ 2D 'tensora mainīgais ir definēts arī kā arguments ' exp() ” funkciju un pēc tam tiek piešķirta funkcijai tenzora_eksponenti_2d ” mainīgais, kā parādīts:
5. darbība: izdrukājiet izvadi
Pēdējais solis ir izdrukāt katra divos tensoros ietvertā elementa eksponentu aprēķina rezultātu, izmantojot “ drukāt () ” metode:
drukāt ( Oriģinālais 1D tensors: \n ' , pytorch_tensor )drukāt ( ' \n 1D tenzora eksponenti: \n ' , tenzora_eksponenti )
drukāt ( ' \n Oriģinālais 2D tensors: \n ' , pytorch_tensor_2d )
drukāt ( ' \n 2D tenzora eksponenti: \n ' , tenzora_eksponenti_2d )
Iepriekš minētais kods darbojas šādi:
- Izmantojiet ' drukāt () ” metodi, lai izvadā parādītu sākotnējo 1D tensoru un tā elementu eksponentus.
- Pēc tam izmantojiet to pašu ' drukāt () ” metodi, lai izvadā parādītu sākotnējo 2D tensoru un tā elementu eksponentus, kā parādīts attēlā.
- ' \n Kodā parādītais termins tiek izmantots, lai sāktu nākamo izvadi no nākamās rindas. To izmanto, lai sakārtotu izvades displeju.
- Vienkāršais teksts, kas jāparāda izvadē, tiek pievienots 'apgrieztajos komatos' laukā ' drukāt () ” metodes arguments.
- Tekstam seko ' mainīgs ”, kas jādrukā.
Eksponentu izvade
Piezīme : mūsu Colab piezīmju grāmatiņai varat piekļūt šeit saite .
Pro-Tip
Elementu eksponentu aprēķināšana PyTorch tensoros var izrādīties būtisks priekšapstrādes posms pirms sarežģīta mašīnmācīšanās modeļa palaišanas ar miljoniem datu rindu. Šis paņēmiens var nodrošināt visas skaitliskās datu vērtības nelielā diapazonā, kas izrādītos daudz vienkāršāks aparatūrai, tādējādi ievērojami samazinot apstrādes laiku.
Veiksmi! Mēs esam parādījuši, kā aprēķināt katra atsevišķa elementa eksponentu PyTorch tensorā.
Secinājums
Aprēķiniet visu PyTorch Tensor elementu eksponentus, vispirms definējot tensoru un pēc tam izmantojot ' torch.exp() ” funkcija. Šajā emuārā mēs parādījām, kā definēt 1D un 2D PyTorch tensoru un kā aprēķināt katra elementa eksponentu šajos divos tensoros.