Denne bloggen vil diskutere hvordan du får eksponentene til tensorelementer i PyTorch.
Hva er bruken av eksponenter i PyTorch-tensorer?
Nevrale nettverk bruker et komplekst mønster for å koble flere innganger til flere utganger samtidig for å etterligne funksjonen til den menneskelige hjernen. Under denne strukturen ligger det et intrikat skjelett av grunnleggende matematikk som gjør alle disse sammenhengene mulige. Eksponenter er ganske enkelt et annet konsept fra matematikk som bidrar til å gjøre livene til programmerere og dataforskere mye enklere.
Viktige funksjoner ved bruk av eksponenter i PyTorch er listet opp nedenfor:
- Hovedbruken av eksponenter er å bringe hele dataen innenfor et passende område for raskere behandling.
- Forfallshastigheten kan enkelt visualiseres ved hjelp av eksponentielle funksjoner.
- Enhver type data som har en eksponentiell trend kan visualiseres i en lineær trend ved å bruke konseptet med eksponentialer.
Hvordan beregne eksponenter for alle tensorelementer i PyTorch?
Bruken av Tensorer for lagring av dataverdier er en utrolig funksjon for PyTorch på grunn av all funksjonaliteten og mulighetene for manipulasjon som bringes over av tensorer. Beregning av eksponenter for individuelle tensorelementer er nøkkelen til å administrere data innenfor mindre grenser.
Følg trinnene nedenfor for å lære hvordan du får eksponentene til individuelle tensorelementer i PyTorch:
Trinn 1: Sett opp Colab
Det første trinnet er å sette opp IDE. Collaboratory av Google er et godt valg på grunn av dens fritt tilgjengelige integrerte GPU-er for beregning av tensorer. Gå til Colab nettsted og åpne en ' Ny notatbok ' som vist:
Trinn 2: Installer og importer Torch Library
PyTorch-rammeverket er basert på foreningen av programmeringsspråket Python og Torch-biblioteket for utvikling av dyplæringsmodeller. Installasjonen og importen av ' lommelykt biblioteket er viktig for å starte ethvert prosjekt i PyTorch:
!pip installasjonslyktimportere lommelykt
Koden ovenfor fungerer som følger:
- « !pip ” installasjonspakke av Python brukes til å installere pakker og biblioteker i PyTorch.
- Deretter ' import kommandoen brukes til å kalle biblioteker og deres funksjonalitet for prosjektet:
Trinn 3: Definer en 1D og en 2D PyTorch Tensor
I denne opplæringen vil vi demonstrere beregningen av eksponenter for tensorelementer for både en ' 1D ' og en ' 2D ” PyTorch-tensor. Vi begynner med å definere disse tensorene:
pytorch_tensor = lommelykt. tensor ( [ 10,0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = lommelykt. tensor ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Koden ovenfor fungerer som følger:
- « tensor() ”-metoden brukes til å legge inn tensorer i PyTorch.
- « 1-dimensjonal ” tensor har bare elementer i en enkelt rad som vist ovenfor.
- « 2-dimensjonal ” tensor definert ovenfor har elementer i 3 distinkte kolonner og 3 distinkte rader.
- Begge de definerte tensorene er tilordnet deres respektive ' variabler ':
Trinn 4: Beregn eksponenter for hvert tensorelement
Etter å ha definert PyTorch-tensorene, er det på tide å definere beregningen av ' eksponenter ' av hvert element i de to tensorene ved å bruke ' torch.exp() ' metode:
tensor_eksponenter = lommelykt. exp ( pytorch_tensor )tensor_eksponenter_2d = lommelykt. exp ( pytorch_tensor_2d )
Koden ovenfor fungerer som følger:
- « exp() ”-funksjonen brukes til å beregne eksponenten til hvert element i en tensor.
- « 1D ' tensorvariabel er definert som argumentet til ' exp() '-funksjonen, og den blir deretter tilordnet til ' tensor_eksponenter variabel som vist.
- Deretter ' 2D ' tensorvariabel er også definert som argumentet til ' exp() '-funksjonen, og den blir deretter tilordnet til ' tensor_eksponenter_2d variabel som vist:
Trinn 5: Skriv ut utskriften
Det siste trinnet er å skrive ut utdataene fra beregningen av eksponenter for hvert element inneholdt i de to tensorene ved å bruke ' skrive ut() ' metode:
skrive ut ( 'Original 1D Tensor: \n ' , pytorch_tensor )skrive ut ( ' \n Eksponenter for 1D Tensor: \n ' , tensor_eksponenter )
skrive ut ( ' \n Original 2D-tensor: \n ' , pytorch_tensor_2d )
skrive ut ( ' \n Eksponenter for 2D Tensor: \n ' , tensor_eksponenter_2d )
Koden ovenfor fungerer som følger:
- Bruke ' skrive ut() ”-metoden for å vise den originale 1D-tensoren i utdata og eksponentene til elementene.
- Deretter bruker du den samme ' skrive ut() ”-metoden for å vise den originale 2D-tensoren i utdata og eksponentene til elementene som vist.
- « \n ” term vist i koden brukes til å starte neste utgang fra følgende linje. Den brukes til å holde utdatavisningen organisert.
- Den enkle teksten som skal vises i utdataene legges til i 'omvendte kommaer' i ' skrive ut() ” metodeargument.
- Teksten etterfølges av ' variabel ' skal skrives ut.
Eksponentutgang
Merk : Du kan få tilgang til Colab Notebook på denne link .
Pro-Tips
Beregningseksponenter for elementer i PyTorch-tensorer kan vise seg å være et avgjørende trinn i forbehandling før du kjører en kompleks maskinlæringsmodell med millioner av rader med data. Denne teknikken kan bringe alle de numeriske dataverdiene innenfor et lite område som vil vise seg å være langt enklere for maskinvaren, og dermed redusere behandlingstiden betydelig.
Suksess! Vi har vist deg hvordan du beregner eksponenten til hvert enkelt element i en PyTorch-tensor.
Konklusjon
Beregn eksponentene til alle Tensor-elementene i PyTorch ved først å definere tensoren og deretter bruke ' torch.exp() ' funksjon. I denne bloggen viste vi frem hvordan man definerer en 1D og en 2D PyTorch-tensor og hvordan man beregner eksponenten til hvert element i disse to tensorene.