Blog này sẽ thảo luận về cách lấy số mũ của các phần tử tensor trong PyTorch.
Việc sử dụng số mũ trong Tensor PyTorch là gì?
Mạng lưới thần kinh sử dụng một mô hình phức tạp để kết nối đồng thời nhiều đầu vào với nhiều đầu ra nhằm mô phỏng hoạt động của bộ não con người. Bên dưới cấu trúc này là một bộ khung phức tạp của toán học cơ bản giúp tạo ra tất cả những kết nối này. Số mũ chỉ đơn giản là một khái niệm khác trong toán học giúp cuộc sống của các lập trình viên và nhà khoa học dữ liệu trở nên dễ dàng hơn nhiều.
Các tính năng quan trọng của việc sử dụng số mũ trong PyTorch được liệt kê bên dưới:
- Công dụng chính của số mũ là đưa toàn bộ dữ liệu vào một phạm vi phù hợp để xử lý nhanh hơn.
- Tốc độ phân rã có thể được hình dung dễ dàng bằng cách sử dụng các hàm số mũ.
- Bất kỳ loại dữ liệu nào có xu hướng hàm mũ đều có thể được hình dung theo xu hướng tuyến tính bằng cách sử dụng khái niệm hàm mũ.
Làm cách nào để tính số mũ của tất cả các phần tử tensor trong PyTorch?
Việc sử dụng Tensors để lưu trữ các giá trị dữ liệu là một tính năng đáng kinh ngạc của PyTorch vì tất cả các chức năng và khả năng thao tác do tensor mang lại. Tính số mũ cho từng phần tử tensor riêng lẻ là chìa khóa để quản lý dữ liệu trong giới hạn nhỏ hơn.
Hãy làm theo các bước dưới đây để tìm hiểu cách lấy số mũ của các phần tử tensor riêng lẻ trong PyTorch:
Bước 1: Thiết lập Colab
Bước đầu tiên là thiết lập IDE. Cộng tác của Google là một lựa chọn tốt vì có sẵn GPU tích hợp miễn phí để tính toán các tensor. Đi đến Colab trang mạng và mở một “ Sổ tay mới ” như được hiển thị:
Bước 2: Cài đặt và nhập thư viện Torch
Khung PyTorch dựa trên sự kết hợp giữa ngôn ngữ lập trình Python và thư viện Torch để phát triển các mô hình học sâu. Việc cài đặt và nhập khẩu “ ngọn đuốc ” thư viện rất cần thiết để bắt đầu bất kỳ dự án nào trong PyTorch:
!pip cài đặt ngọn đuốcngọn đuốc nhập khẩu
Đoạn mã trên hoạt động như sau:
- Các ' !pip ”Gói cài đặt của Python được sử dụng để cài đặt các gói và thư viện trong PyTorch.
- Tiếp theo, “ nhập khẩu Lệnh ” được sử dụng để gọi các thư viện và chức năng của chúng cho dự án:
Bước 3: Xác định Tensor PyTorch 1D và 2D
Trong hướng dẫn này, chúng tôi sẽ trình bày cách tính số mũ của các phần tử tensor của cả “ 1D ” và một “ 2D ” Tenor PyTorch. Chúng ta bắt đầu bằng việc định nghĩa các tensor này:
pytorch_tensor = ngọn đuốc. tenxơ ( [ 10,0 , 21.0 , 94,0 , 38,0 ] )pytorch_tensor_2d = ngọn đuốc. tenxơ ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Đoạn mã trên hoạt động như sau:
- Các ' tensor() ” được sử dụng để nhập các tensor trong PyTorch.
- Các ' 1 chiều ” tensor chỉ có các phần tử trong một hàng duy nhất như hình trên.
- Các ' 2 chiều ” tensor được xác định ở trên có các phần tử nằm trong 3 cột và 3 hàng riêng biệt.
- Cả hai tensor đã xác định đều được gán cho “ biến ”:
Bước 4: Tính số mũ của từng phần tử tensor
Sau khi xác định các tensor PyTorch, đã đến lúc xác định phép tính “ số mũ ” của mỗi phần tử trong hai tensor bằng cách sử dụng “ ngọn đuốc.exp() ' phương pháp:
tensor_số mũ = ngọn đuốc. điểm kinh nghiệm ( pytorch_tensor )tenxơ_số mũ_2d = ngọn đuốc. điểm kinh nghiệm ( pytorch_tensor_2d )
Đoạn mã trên hoạt động như sau:
- Các ' điểm kinh nghiệm() Hàm ” được sử dụng để tính số mũ của từng phần tử trong một tenxơ.
- Các ' 1D ” biến tensor được định nghĩa là đối số của “ điểm kinh nghiệm() ” và sau đó nó được gán cho “ tensor_số mũ ” biến như được hiển thị.
- Tiếp theo, “ 2D Biến tenxơ cũng được định nghĩa là đối số của biểu thức “ điểm kinh nghiệm() ” và sau đó nó được gán cho “ tenxơ_số mũ_2d ” biến như hình:
Bước 5: In đầu ra
Bước cuối cùng là in kết quả tính số mũ của từng phần tử chứa trong hai tensor bằng cách sử dụng “ in() ' phương pháp:
in ( 'Tăng ten 1D gốc: \N ' , pytorch_tensor )in ( ' \N Số mũ của Tensor 1D: \N ' , tensor_số mũ )
in ( ' \N Tenor 2D gốc: \N ' , pytorch_tensor_2d )
in ( ' \N Số mũ của Tensor 2D: \N ' , tenxơ_số mũ_2d )
Đoạn mã trên hoạt động như sau:
- Sử dụng ' in() ” để hiển thị Tensor 1D ban đầu ở đầu ra và số mũ của các phần tử của nó.
- Sau đó, sử dụng tương tự “ in() ” để hiển thị Tensor 2D ban đầu ở đầu ra và số mũ của các phần tử của nó như được hiển thị.
- Các ' \N ” Thuật ngữ hiển thị trong mã được sử dụng để bắt đầu đầu ra tiếp theo từ dòng sau. Nó được sử dụng để giữ cho màn hình đầu ra được tổ chức.
- Văn bản đơn giản sẽ hiển thị ở đầu ra sẽ được thêm vào 'dấu phẩy đảo ngược' trong phần “ in() ” đối số phương thức.
- Tiếp theo văn bản là “ Biến đổi ' Được in.
Đầu ra số mũ
Ghi chú : Bạn có thể truy cập Colab Notebook của chúng tôi tại đây liên kết .
Mẹo chuyên nghiệp
Việc tính toán số mũ của các phần tử trong thang đo PyTorch có thể được chứng minh là một bước quan trọng trong quá trình tiền xử lý trước khi chạy một mô hình học máy phức tạp với hàng triệu hàng dữ liệu. Kỹ thuật này có thể đưa tất cả các giá trị dữ liệu số vào trong một phạm vi nhỏ, điều này được chứng minh là dễ dàng hơn nhiều đối với phần cứng, do đó giảm đáng kể thời gian xử lý.
Thành công! Chúng tôi đã chỉ cho bạn cách tính số mũ của từng phần tử riêng lẻ trong tensor PyTorch.
Phần kết luận
Tính số mũ của tất cả các phần tử Tensor trong PyTorch bằng cách trước tiên xác định tensor và sau đó sử dụng “ ngọn đuốc.exp() ' chức năng. Trong blog này, chúng tôi đã giới thiệu cách xác định tenxơ PyTorch 1D và 2D cũng như cách tính số mũ của từng phần tử trong hai tenxơ này.