CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Tensor oluşturma

Tensor, torch.tensor() ile listeden oluşturulur.

Tensör oluşturma

NumPy'daki fonksiyonların çoğunun PyTorch karşılığı vardır:

torch.zeros(2, 3)              # sıfırlar
torch.ones(4)                  # birler
torch.full((2, 2), 7.0)        # sabit değer
torch.arange(0, 10, 2)         # tensor([0, 2, 4, 6, 8])
torch.linspace(0, 1, 5)        # 5 eşit aralıklı değer
torch.eye(3)                   # birim matris

Boyutlar ayrı argümanlar (zeros(2, 3)) ya da demet (zeros((2, 3))) olarak verilebilir.

Rastgele tensörler ve tohum

Ağırlık başlatma ve veri karıştırma için rastgele tensörler kullanılır. torch.manual_seed sonuçları tekrarlanabilir yapar:

torch.manual_seed(0)
a = torch.rand(3)        # [0, 1) düzgün
b = torch.randn(2, 2)    # standart normal
torch.manual_seed(0)
print(torch.equal(a, torch.rand(3)))   # True: aynı tohum, aynı sayılar

_like sürümleri başka bir tensörün şekil ve türünü kopyalar: torch.zeros_like(x).

Uygulama Tensör fabrikası

torch.arange(6)'yı 2×3 matrise çevirip tolist() ile yazdır. torch.full((2, 2), 5) tensörünün toplamını item() ile yazdır. Ardından tohum 0 ile iki kez üretilen torch.rand(4) tensörlerinin eşit olduğunu torch.equal ile yazdır.

Başlangıç kodu

model.py
import torch

# buraya yaz

Örnek çözüm

model.py
import torch

print(torch.arange(6).reshape(2, 3).tolist())
print(torch.full((2, 2), 5).sum().item())
torch.manual_seed(0)
a = torch.rand(4)
torch.manual_seed(0)
print(torch.equal(a, torch.rand(4)))

Beklenen çıktı

[[0, 1, 2], [3, 4, 5]]
20
True

Soru ve cevaplar

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

1 <code>torch.arange(1, 8, 3).tolist()</code> neyi verir?

  • [3, 6]
  • [1, 4, 7] Doğru cevap
  • [1, 4]
  • [1, 3, 5, 7]

Açıklama: Bitiş (8) hariç; 1'den başlayıp üçer artar.

2 Başka bir tensörle aynı şekilde sıfır tensörü üret.

Soru 
z = torch.____(x)
Cevap 
z = torch.zeros_like(x)

Açıklama: _like fonksiyonları şekli ve türü kopyalar.

3 Fonksiyonları eşleştir.

Kavram Anlamı
torch.rand Düzgün [0, 1)
torch.randn Standart normal
torch.eye Birim matris
torch.manual_seed Tekrarlanabilirlik

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