CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Özet - Tensor işlemleri

Bu grupta tensor shape, dtype ve reshape işlemlerini öğrendin.

Özet: tensör işlemleri

Bu grupta:

  • Eleman bazlı işlemler, yayınlama, @; dim ile eksen seçimi; _ ile yerinde işlemler.
  • shape takibi, unsqueeze/squeeze.
  • Türler: float32 (varsayılan), float16/bfloat16 (yarım), int64 (etiket), bool (maske); bellek = eleman boyutu × sayı.
  • view/reshape, permute, flatten(1).
  • İndeksleme, argmax, gather, doğruluk hesabı.

Uygulama Toplu işlem

(5, 3) şekilli logitlere satır başına softmax uygula (torch.softmax(logit, dim=1)) ve satır toplamlarını round(..., 3) ile liste olarak yazdır. Ardından her satırın en olası sınıfını ve bu sınıfın olasılığını max(dim=1) ile al; sınıfları tolist() ile yazdır.

Başlangıç kodu

model.py
import torch

logit = torch.tensor([[1., 2., 0.], [3., 0., 0.], [0., 0., 2.], [1., 1., 3.], [0., 4., 1.]])

# buraya yaz

Örnek çözüm

model.py
import torch

logit = torch.tensor([[1., 2., 0.], [3., 0., 0.], [0., 0., 2.], [1., 1., 3.], [0., 4., 1.]])

p = torch.softmax(logit, dim=1)
print([round(v, 3) for v in p.sum(dim=1).tolist()])
olasilik, sinif = p.max(dim=1)
print(sinif.tolist())

Beklenen çıktı

[1.0, 1.0, 1.0, 1.0, 1.0]
[1, 0, 2, 2, 1]

Soru ve cevaplar

Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.

1 Bir CNN çıktısını (32, 64, 7, 7) doğrusal katmana vermeden önce hangi işlem gerekir?

  • unsqueeze(0)
  • Hiçbiri
  • flatten(1) ile (32, 3136)'ya düzleştirmek Doğru cevap
  • permute

Açıklama: Doğrusal katman (örnek, özellik) ister; 64 × 7 × 7 = 3136.

2 Toplu boyut dışındaki tüm eksenleri düzleştir.

Soru 
d = x.____(1)
Cevap 
d = x.flatten(1)

Açıklama: flatten(1) ilk ekseni korur, kalanları birleştirir.

3 Fonksiyonları eşleştir.

Kavram Anlamı
unsqueeze Eksen ekler
permute Eksenleri sıralar
flatten Düzleştirir
gather İndeksle seçer

İleri seviye bölümündeki tüm dersler

1 Neural network temelleri

  1. Neural network nedir?
  2. Nöron
  3. Katmanlar
  4. Aktivasyon
  5. İleri yayılım
  6. Özet - Neural network

2 PyTorch temelleri

  1. PyTorch nedir?
  2. Tensor
  3. Tensor oluşturma
  4. Tensor özellikleri
  5. GPU desteği
  6. Özet - PyTorch

3 Tensor işlemleri

  1. Tensor işlemleri
  2. Shape
  3. Dtype
  4. Reshape
  5. Indexing
  6. Özet - Tensor işlemleri

4 Autograd

  1. Autograd nedir?
  2. requires_grad
  3. backward()
  4. grad
  5. Computational graph
  6. Özet - Autograd

5 Proje: Neural network

  1. Tensor hazırlama
  2. Model tanımı
  3. Loss hesabı
  4. Optimize edici

6 nn.Module

  1. nn.Module nedir?
  2. __init__
  3. forward
  4. nn.Linear
  5. parameters()
  6. Özet - nn.Module

7 Eğitim döngüsü

  1. Eğitim döngüsü
  2. Epoch
  3. Loss
  4. backward()
  5. optimizer.step()
  6. Özet - Eğitim döngüsü

8 CNN

  1. CNN nedir?
  2. Conv2d
  3. MaxPool2d
  4. Feature map
  5. Flatten
  6. Özet - CNN

9 RNN

  1. RNN nedir?
  2. Hidden state
  3. Sequence
  4. Vanishing gradient
  5. Embedding
  6. Özet - RNN

10 LSTM

  1. LSTM nedir?
  2. Gate'ler
  3. Cell state
  4. input_size
  5. hidden_size
  6. Özet - LSTM

11 Proje: CNN

  1. Veri hazırlama
  2. CNN modeli
  3. Loss ve optimizer
  4. Eğitim

12 Transfer öğrenme

  1. Transfer öğrenme nedir?
  2. Pre-trained model
  3. Fine-tuning
  4. Feature extraction
  5. Avantajlar
  6. Özet - Transfer öğrenme

13 Optimizasyon

  1. Optimizer nedir?
  2. SGD
  3. Adam
  4. Learning rate
  5. zero_grad()
  6. Özet - Optimizasyon

14 İleri seviye finali

  1. Meydan okuma 1
  2. Meydan okuma 2
  3. Meydan okuma 3
  4. Meydan okuma 4