Denne blog vil diskutere, hvordan man får eksponenterne for tensorelementer i PyTorch.
Hvad er brugen af eksponenter i PyTorch-tensorer?
Neurale netværk bruger et komplekst mønster til at forbinde flere input til flere udgange samtidigt for at efterligne den menneskelige hjernes funktion. Under denne struktur ligger der et indviklet skelet af grundlæggende matematik, der gør alle disse forbindelser mulige. Eksponenter er simpelthen et andet begreb fra matematikken, der er med til at gøre livet for programmører og dataforskere meget nemmere.
Vigtige funktioner i brugen af eksponenter i PyTorch er anført nedenfor:
- Hovedanvendelsen af eksponenter er at bringe alle data inden for et passende område for hurtigere behandling.
- Forfaldshastigheden kan let visualiseres ved hjælp af eksponentielle funktioner.
- Enhver type data, der har en eksponentiel tendens, kan visualiseres i en lineær tendens ved at bruge begrebet eksponentielle.
Hvordan beregner man eksponenter for alle Tensor-elementer i PyTorch?
Brugen af Tensorer til lagring af dataværdier er en utrolig funktion for PyTorch på grund af al den funktionalitet og manipulationsmuligheder, som tensorer bringer over. Beregning af eksponenter for individuelle tensorelementer er nøglen til at styre data inden for mindre grænser.
Følg trinene nedenfor for at lære, hvordan du får eksponenterne for individuelle tensorelementer i PyTorch:
Trin 1: Konfigurer Colab
Det første trin er at konfigurere IDE. Collaboratory by Google er et godt valg på grund af dets frit tilgængelige integrerede GPU'er til beregning af tensorer. Gå til Colab internet side og åbne en ' Ny notesbog ' som vist:
Trin 2: Installer og importer Torch Library
PyTorch-rammen er baseret på foreningen af Python-programmeringssproget og Torch-biblioteket til udvikling af deep learning-modeller. Installationen og importen af ' fakkel ” biblioteket er vigtigt for at starte ethvert projekt i PyTorch:
!pip installer lommelygteimport lommelygte
Ovenstående kode fungerer som følger:
- Det ' !pip ” installationspakke af Python bruges til at installere pakker og biblioteker i PyTorch.
- Dernæst ' importere kommandoen bruges til at kalde biblioteker og deres funktionalitet for projektet:
Trin 3: Definer en 1D og en 2D PyTorch Tensor
I denne tutorial vil vi demonstrere beregningen af eksponenter af tensorelementer af både en ' 1D ' og en ' 2D ” PyTorch tensor. Vi begynder med at definere disse tensorer:
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 ] ] )
Ovenstående kode fungerer som følger:
- Det ' tensor() ” metode bruges til at indtaste tensorer i PyTorch.
- Det ' 1-dimensionel ” tensor har kun elementer i en enkelt række som vist ovenfor.
- Det ' 2-dimensionel ” tensor defineret ovenfor har elementer i 3 adskilte kolonner og 3 adskilte rækker.
- Begge de definerede tensorer er tildelt deres respektive ' variabler ”:
Trin 4: Beregn eksponenter for hvert tensorelement
Efter at have defineret PyTorch-tensorerne, er det tid til at definere beregningen af ' eksponenter ' af hvert element i de to tensorer ved hjælp af ' torch.exp() ” metode:
tensor_eksponenter = fakkel. eksp ( pytorch_tensor )tensor_eksponenter_2d = fakkel. eksp ( pytorch_tensor_2d )
Ovenstående kode fungerer som følger:
- Det ' exp() Funktionen ” bruges til at beregne eksponenten for hvert element i en tensor.
- Det ' 1D ' tensorvariabel er defineret som argumentet for ' exp() '-funktionen, og den tildeles derefter til ' tensor_eksponenter ” variabel som vist.
- Dernæst ' 2D ' tensorvariabel er også defineret som argumentet for ' exp() '-funktionen, og den tildeles derefter til ' tensor_eksponenter_2d variabel som vist:
Trin 5: Udskriv output
Det sidste trin er at udskrive outputtet af beregningen af eksponenter for hvert element indeholdt i de to tensorer ved hjælp af ' Print() ” metode:
Print ( 'Original 1D Tensor: \n ' , pytorch_tensor )Print ( ' \n Eksponenter for 1D Tensor: \n ' , tensor_eksponenter )
Print ( ' \n Original 2D Tensor: \n ' , pytorch_tensor_2d )
Print ( ' \n Eksponenter for 2D Tensor: \n ' , tensor_eksponenter_2d )
Ovenstående kode fungerer som følger:
- Brug ' Print() ” metode til at vise den originale 1D Tensor i output og eksponenterne af dens elementer.
- Brug derefter den samme ' Print() ” metode til at vise den originale 2D-tensor i output og eksponenterne af dens elementer som vist.
- Det ' \n ” term vist i koden bruges til at starte næste output fra den følgende linje. Det bruges til at holde outputdisplayet organiseret.
- Den simple tekst, der skal vises i outputtet, tilføjes i 'omvendte kommaer' i ' Print() ” metode argument.
- Teksten efterfølges af ' variabel ” skal udskrives.
Eksponentoutput
Bemærk : Du kan få adgang til vores Colab Notebook her link .
Pro-Tip
Beregningseksponenter for elementer i PyTorch-tensorer kan vise sig at være et afgørende trin i forbehandlingen, før man kører en kompleks maskinlæringsmodel med millioner af rækker af data. Denne teknik kan bringe alle de numeriske dataværdier inden for et lille område, som ville vise sig at være langt nemmere for hardwaren, og derved reducere behandlingstiden betydeligt.
Succes! Vi har vist dig, hvordan man beregner eksponenten for hvert enkelt element i en PyTorch-tensor.
Konklusion
Beregn eksponenterne for alle Tensor-elementer i PyTorch ved først at definere tensoren og derefter bruge ' torch.exp() ' funktion. I denne blog viste vi, hvordan man definerer en 1D og en 2D PyTorch-tensor, og hvordan man beregner eksponenten for hvert element i disse to tensorer.