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.

Örnek çözümü göster

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())

Kendini test et

Bir CNN çıktısını (32, 64, 7, 7) doğrusal katmana vermeden önce hangi işlem gerekir?
- unsqueeze(0)
- Hiçbiri
- flatten(1) ile (32, 3136)'ya düzleştirmek
- permute
Cevabı göster

flatten(1) ile (32, 3136)'ya düzleştirmek — Doğrusal katman (örnek, özellik) ister; 64 × 7 × 7 = 3136.
Toplu boyut dışındaki tüm eksenleri düzleştir.
```
d = x.____(1)
```
Cevabı göster
```
d = x.flatten(1)
```
Fonksiyonları eşleştir.

unsqueeze

Eksen ekler
permute

Eksenleri sıralar
flatten

Düzleştirir
gather

İndeksle seçer

Sıradaki ders: Autograd nedir?

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler