Blog ini akan membahas cara mendapatkan eksponen elemen tensor di PyTorch.
Apa Kegunaan Eksponen di Tensor PyTorch?
Jaringan saraf memanfaatkan pola kompleks untuk menghubungkan banyak masukan ke banyak keluaran secara bersamaan untuk meniru fungsi otak manusia. Di bawah struktur ini, terdapat kerangka rumit matematika dasar yang memungkinkan semua hubungan ini terjadi. Eksponen hanyalah konsep lain dari matematika yang membantu membuat kehidupan programmer dan ilmuwan data menjadi lebih mudah.
Fitur penting penggunaan eksponen di PyTorch tercantum di bawah ini:
- Kegunaan utama eksponen adalah untuk membawa seluruh data dalam kisaran yang sesuai untuk pemrosesan yang lebih cepat.
- Laju peluruhan dapat dengan mudah divisualisasikan menggunakan fungsi eksponensial.
- Setiap jenis data yang memiliki tren eksponensial dapat divisualisasikan dalam tren linier dengan memanfaatkan konsep eksponensial.
Bagaimana Menghitung Eksponen Semua Elemen Tensor di PyTorch?
Penggunaan Tensor untuk menyimpan nilai data adalah fitur luar biasa untuk PyTorch karena semua fungsi dan kemungkinan manipulasi yang dibawa oleh tensor. Menghitung eksponen untuk elemen tensor individual adalah kunci untuk mengelola data dalam batas yang lebih kecil.
Ikuti langkah-langkah yang diberikan di bawah ini untuk mempelajari cara mendapatkan eksponen elemen tensor individual di PyTorch:
Langkah 1: Siapkan Colab
Langkah pertama adalah menyiapkan IDE. Kolaborasi oleh Google adalah pilihan yang baik karena GPU terintegrasi yang tersedia secara gratis untuk penghitungan tensor. Buka Colab situs web dan buka “ Buku Catatan Baru ' seperti yang ditunjukkan:
Langkah 2: Instal dan Impor Perpustakaan Torch
Kerangka kerja PyTorch didasarkan pada gabungan bahasa pemrograman Python dan perpustakaan Torch untuk pengembangan model pembelajaran mendalam. Instalasi dan impor “ obor ” perpustakaan sangat penting untuk memulai proyek apa pun di PyTorch:
!pip instal oborimpor obor
Kode di atas berfungsi sebagai berikut:
- “ !pip ” paket instalasi dengan Python digunakan untuk menginstal paket dan perpustakaan di PyTorch.
- Selanjutnya, “ impor Perintah ” digunakan untuk memanggil perpustakaan dan fungsinya untuk proyek:
Langkah 3: Tentukan Tensor PyTorch 1D dan 2D
Dalam tutorial ini, kami akan mendemonstrasikan perhitungan eksponen elemen tensor dari kedua “ 1D ” dan “ 2D Tensor PyTorch. Kita mulai dengan mendefinisikan tensor berikut:
pytorch_tensor = obor. tensor ( [ 10.0 , 21.0 , 94.0 , 38.0 ] )pytorch_tensor_2d = obor. tensor ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )
Kode di atas berfungsi sebagai berikut:
- “ tensor() Metode ” digunakan untuk memasukkan tensor di PyTorch.
- “ 1 dimensi ” tensor hanya memiliki elemen dalam satu baris seperti gambar di atas.
- “ 2 dimensi ” Tensor yang didefinisikan di atas memiliki elemen dalam 3 kolom berbeda dan 3 baris berbeda.
- Kedua tensor yang ditentukan ditetapkan ke masing-masing “ variabel ”:
Langkah 4: Hitung Eksponen setiap Elemen Tensor
Setelah mendefinisikan tensor PyTorch, sekarang saatnya mendefinisikan komputasi “ eksponen ” dari setiap elemen dalam dua tensor menggunakan “ obor.exp() ' metode:
tensor_eksponen = obor. pengalaman ( pytorch_tensor )tensor_exponents_2d = obor. pengalaman ( pytorch_tensor_2d )
Kode di atas berfungsi sebagai berikut:
- “ pengalaman() Fungsi ” digunakan untuk menghitung eksponen setiap elemen dalam tensor.
- “ 1D ” Variabel tensor didefinisikan sebagai argumen dari “ pengalaman() ” fungsi dan kemudian ditugaskan ke “ tensor_eksponen ” variabel seperti yang ditunjukkan.
- Selanjutnya, “ 2D ” Variabel tensor juga didefinisikan sebagai argumen dari “ pengalaman() ” fungsi dan kemudian ditugaskan ke “ tensor_exponents_2d ” variabel seperti yang ditunjukkan:
Langkah 5: Cetak Outputnya
Langkah terakhir adalah mencetak output perhitungan eksponen setiap elemen yang terdapat pada kedua tensor tersebut dengan menggunakan tombol “ mencetak() ' metode:
mencetak ( 'Tensor 1D Asli: \N ' , pytorch_tensor )mencetak ( ' \N Eksponen Tensor 1D: \N ' , tensor_eksponen )
mencetak ( ' \N Tensor 2D Asli: \N ' , pytorch_tensor_2d )
mencetak ( ' \N Eksponen Tensor 2D: \N ' , tensor_exponents_2d )
Kode di atas berfungsi sebagai berikut:
- Menggunakan ' mencetak() ” metode untuk menampilkan Tensor 1D asli dalam keluaran dan eksponen elemennya.
- Lalu, gunakan hal yang sama “ mencetak() ” metode untuk menampilkan Tensor 2D asli dalam keluaran dan eksponen elemennya seperti yang ditunjukkan.
- “ \N ” Istilah yang ditunjukkan dalam kode digunakan untuk memulai keluaran berikutnya dari baris berikut. Ini digunakan untuk menjaga tampilan keluaran tetap teratur.
- Teks sederhana yang akan ditampilkan dalam output ditambahkan dalam 'koma terbalik' di dalam “ mencetak() ” argumen metode.
- Teks tersebut diikuti dengan “ variabel ” untuk dicetak.
Keluaran eksponen
Catatan : Anda dapat mengakses Colab Notebook kami di sini tautan .
Tip Pro
Menghitung eksponen elemen dalam tensor PyTorch terbukti menjadi langkah penting dalam prapemrosesan sebelum menjalankan model pembelajaran mesin yang kompleks dengan jutaan baris data. Teknik ini dapat membawa semua nilai data numerik dalam kisaran kecil yang terbukti jauh lebih mudah bagi perangkat keras, sehingga mengurangi waktu pemrosesan secara signifikan.
Kesuksesan! Kami telah menunjukkan kepada Anda cara menghitung eksponen setiap elemen dalam tensor PyTorch.
Kesimpulan
Hitung eksponen semua elemen Tensor di PyTorch dengan terlebih dahulu mendefinisikan tensornya, lalu menggunakan “ obor.exp() ' fungsi. Di blog ini, kami menunjukkan cara mendefinisikan tensor PyTorch 1D dan 2D serta cara menghitung eksponen setiap elemen di kedua tensor tersebut.