Den här bloggen kommer att diskutera hur man får exponenterna för tensorelement i PyTorch.
Vad är användningen av exponenter i PyTorch-tensorer?
Neurala nätverk använder ett komplext mönster för att ansluta flera ingångar till flera utgångar samtidigt för att efterlikna den mänskliga hjärnans funktion. Under denna struktur finns det ett invecklat skelett av grundläggande matematik som gör alla dessa kopplingar möjliga. Exponenter är helt enkelt ett annat koncept från matematiken som hjälper till att göra livet för programmerare och datavetare mycket enklare.
Viktiga funktioner för användningen av exponenter i PyTorch listas nedan:
- Den huvudsakliga användningen av exponenter är att föra hela data inom ett lämpligt intervall för snabbare bearbetning.
- Avklingningshastigheten kan enkelt visualiseras med hjälp av exponentiella funktioner.
- Alla typer av data som har en exponentiell trend kan visualiseras i en linjär trend genom att använda begreppet exponential.
Hur beräknar man exponenter för alla tensorelement i PyTorch?
Användningen av Tensorer för att lagra datavärden är en otrolig funktion för PyTorch på grund av all funktionalitet och manipulationsmöjligheter som tensorer tar över. Att beräkna exponenter för individuella tensorelement är nyckeln till att hantera data inom mindre gränser.
Följ stegen nedan för att lära dig hur du får exponenterna för individuella tensorelement i PyTorch:
Steg 1: Konfigurera Colab
Det första steget är att ställa in IDE. Collaboratory av Google är ett bra val på grund av dess fritt tillgängliga integrerade GPU:er för beräkning av tensorer. Gå till Colab hemsida och öppna en ' Ny anteckningsbok ' som visat:
Steg 2: Installera och importera Torch Library
PyTorch-ramverket är baserat på föreningen av programmeringsspråket Python och Torch-biblioteket för utveckling av modeller för djupinlärning. Installationen och importen av ' fackla ” biblioteket är viktigt för att starta alla projekt i PyTorch:
!pip installera ficklampaimportera ficklampa
Ovanstående kod fungerar enligt följande:
- den ' !pip ” installationspaket av Python används för att installera paket och bibliotek i PyTorch.
- Därefter ' importera kommandot används för att anropa bibliotek och deras funktionalitet för projektet:
Steg 3: Definiera en 1D och en 2D PyTorch Tensor
I den här handledningen kommer vi att demonstrera beräkningen av exponenter för tensorelement för både en ' 1D ' och ett ' 2D ” PyTorch-tensor. Vi börjar med att definiera dessa tensorer:
pytorch_tensor = fackla. tensor ( [ 10,0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = fackla. tensor ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Ovanstående kod fungerar enligt följande:
- den ' tensor() ”-metoden används för att mata in tensorer i PyTorch.
- den ' 1-dimensionell ” tensor har bara element i en enda rad som visas ovan.
- den ' 2-dimensionell ” Tensor definierad ovan har element i 3 distinkta kolumner och 3 distinkta rader.
- Båda de definierade tensorerna är tilldelade sina respektive ' variabler ”:
Steg 4: Beräkna exponenter för varje tensorelement
Efter att ha definierat PyTorch-tensorerna är det dags att definiera beräkningen av ' exponenter ' för varje element i de två tensorerna med hjälp av ' torch.exp() ' metod:
tensor_exponenter = fackla. exp ( pytorch_tensor )tensor_exponents_2d = fackla. exp ( pytorch_tensor_2d )
Ovanstående kod fungerar enligt följande:
- den ' exp() ”-funktionen används för att beräkna exponenten för varje element i en tensor.
- den ' 1D ' tensorvariabel definieras som argumentet för ' exp() '-funktionen och den tilldelas sedan till ' tensor_exponenter ” variabel som visas.
- Därefter ' 2D ' tensorvariabel definieras också som argumentet för ' exp() '-funktionen och den tilldelas sedan till ' tensor_exponents_2d ' variabel som visas:
Steg 5: Skriv ut utskriften
Det sista steget är att skriva ut resultatet av beräkningen av exponenter för varje element som finns inom de två tensorerna med hjälp av ' skriva ut() ' metod:
skriva ut ( 'Original 1D Tensor: \n ' , pytorch_tensor )skriva ut ( ' \n Exponenter för 1D Tensor: \n ' , tensor_exponenter )
skriva ut ( ' \n Original 2D-tensor: \n ' , pytorch_tensor_2d )
skriva ut ( ' \n Exponenter för 2D Tensor: \n ' , tensor_exponents_2d )
Ovanstående kod fungerar enligt följande:
- Använd ' skriva ut() ”-metod för att visa den ursprungliga 1D-tensorn i utdata och exponenterna för dess element.
- Använd sedan samma ' skriva ut() ”-metod för att visa den ursprungliga 2D-tensorn i utdata och exponenterna för dess element som visas.
- den ' \n ” termen som visas i koden används för att börja nästa utdata från följande rad. Den används för att hålla utgångsvisningen organiserad.
- Den enkla texten som ska visas i utgången läggs till i 'inverterade kommatecken' i ' skriva ut() ” metodargument.
- Texten följs av ' variabel ” som ska skrivas ut.
Exponents utdata
Notera : Du kan komma åt vår Colab Notebook här länk .
Proffstips
Beräkningsexponenter för element i PyTorch-tensorer kan visa sig vara ett avgörande steg i förbearbetningen innan man kör en komplex maskininlärningsmodell med miljontals rader av data. Denna teknik kan föra alla numeriska datavärden inom ett litet intervall, vilket skulle visa sig vara mycket lättare för hårdvaran, och därigenom avsevärt minska bearbetningstiden.
Framgång! Vi har visat dig hur man beräknar exponenten för varje enskilt element i en PyTorch-tensor.
Slutsats
Beräkna exponenterna för alla Tensor-element i PyTorch genom att först definiera tensorn och sedan använda ' torch.exp() ' funktion. I den här bloggen visade vi hur man definierar en 1D och en 2D PyTorch-tensor och hur man beräknar exponenten för varje element i dessa två tensorer.