PyTorch இல் டென்சர் உறுப்புகளின் அடுக்குகளை எவ்வாறு பெறுவது?

Pytorch Il Tencar Uruppukalin Atukkukalai Evvaru Peruvatu



முக்கிய கணிதக் கருத்துகளின் பயன்பாடு, நவீன இயந்திர கற்றல் மாதிரிகளின் சிக்கலான வழிமுறைகளைக் கையாள்வதில் PyTorchஐ மிகச் சிறந்ததாக ஆக்குகிறது. ஒரு அதிவேகமானது ஒரு கால்குலஸ் செயல்பாடு ஆகும், இது நேர்மறை மதிப்புடையது மற்றும் வளர்ச்சியைக் காட்டுகிறது. PyTorch மாதிரிகளுக்குள் எளிதாக செயலாக்குவதற்கு, பெரிய அளவிலான தரவை ஏற்றுக்கொள்ளக்கூடிய வரம்புகளாக அளவிட இது பயன்படுகிறது.

இந்த வலைப்பதிவு PyTorch இல் டென்சர் உறுப்புகளின் அடுக்குகளை எவ்வாறு பெறுவது என்பதை விவாதிக்கும்.

PyTorch Tensors இல் அடுக்குகளின் பயன்பாடு என்ன?

நரம்பியல் நெட்வொர்க்குகள் மனித மூளையின் செயல்பாட்டைப் பிரதிபலிக்க ஒரே நேரத்தில் பல உள்ளீடுகளை பல வெளியீடுகளுடன் இணைக்க ஒரு சிக்கலான வடிவத்தைப் பயன்படுத்துகின்றன. இந்த கட்டமைப்பின் கீழ், அடிப்படை கணிதத்தின் ஒரு சிக்கலான எலும்புக்கூடு உள்ளது, இது இந்த அனைத்து இணைப்புகளையும் சாத்தியமாக்குகிறது. அடுக்குகள் என்பது கணிதத்தின் மற்றொரு கருத்தாகும், இது புரோகிராமர்கள் மற்றும் தரவு விஞ்ஞானிகளின் வாழ்க்கையை மிகவும் எளிதாக்க உதவுகிறது.







PyTorch இல் அடுக்குகளின் பயன்பாட்டின் முக்கிய அம்சங்கள் கீழே பட்டியலிடப்பட்டுள்ளன:



  • அதிவேகங்களின் முக்கிய பயன்பாடானது, முழுத் தரவையும் வேகமான செயலாக்கத்திற்கு பொருத்தமான வரம்பிற்குள் கொண்டுவருவதாகும்.
  • அதிவேக செயல்பாடுகளைப் பயன்படுத்தி சிதைவின் வீதத்தை எளிதாகக் காணலாம்.
  • அதிவேகப் போக்கைக் கொண்ட எந்த வகையான தரவையும் அதிவேகங்களின் கருத்தைப் பயன்படுத்தி நேரியல் போக்கில் காட்சிப்படுத்தலாம்.

PyTorch இல் உள்ள அனைத்து டென்சர் உறுப்புகளின் அடுக்குகளை எவ்வாறு கணக்கிடுவது?

தரவு மதிப்புகளைச் சேமிப்பதற்காக டென்சர்களைப் பயன்படுத்துவது பைடொர்ச்சிற்கு நம்பமுடியாத அம்சமாகும், ஏனெனில் டென்சர்களால் கையாளப்படும் அனைத்து செயல்பாடுகள் மற்றும் சாத்தியக்கூறுகள். தனிப்பட்ட டென்சர் உறுப்புகளுக்கான அடுக்குகளைக் கணக்கிடுவது சிறிய வரம்புகளுக்குள் தரவை நிர்வகிப்பதற்கு முக்கியமாகும்.



PyTorch இல் தனிப்பட்ட டென்சர் உறுப்புகளின் அடுக்குகளை எவ்வாறு பெறுவது என்பதை அறிய கீழே கொடுக்கப்பட்டுள்ள படிகளைப் பின்பற்றவும்:





படி 1: Colab ஐ அமைக்கவும்

முதல் படி IDE ஐ அமைப்பது. டென்சர்களைக் கணக்கிடுவதற்கு இலவசமாகக் கிடைக்கும் ஒருங்கிணைந்த GPUகள் இருப்பதால் Google வழங்கும் Colaboratory ஒரு நல்ல தேர்வாகும். கோலாப் செல்லுங்கள் இணையதளம் மற்றும் திறக்கவும் ' புதிய நோட்புக் ” காட்டப்பட்டுள்ளபடி:



படி 2: டார்ச் லைப்ரரியை நிறுவி இறக்குமதி செய்யவும்

PyTorch கட்டமைப்பானது ஆழமான கற்றல் மாதிரிகளை உருவாக்க பைதான் நிரலாக்க மொழி மற்றும் டார்ச் நூலகத்தின் ஒன்றியத்தை அடிப்படையாகக் கொண்டது. 'இன் நிறுவல் மற்றும் இறக்குமதி ஜோதி பைடார்ச்சில் எந்த ஒரு திட்டத்தையும் தொடங்க நூலகம் அவசியம்:

!பிப் இன்ஸ்டால் டார்ச்
இறக்குமதி ஜோதி

மேலே உள்ள குறியீடு பின்வருமாறு செயல்படுகிறது:

  • ' !பிப் PyTorch இல் தொகுப்புகள் மற்றும் நூலகங்களை நிறுவ Python இன் நிறுவல் தொகுப்பு பயன்படுத்தப்படுகிறது.
  • அடுத்து, ' இறக்குமதி திட்டத்திற்கான நூலகங்கள் மற்றும் அவற்றின் செயல்பாடுகளை அழைக்க ' கட்டளை பயன்படுத்தப்படுகிறது:

படி 3: 1D மற்றும் 2D PyTorch டென்சரை வரையறுக்கவும்

இந்த டுடோரியலில், '' ஆகிய இரண்டின் டென்சர் கூறுகளின் அடுக்குகளின் கணக்கீட்டை நாங்கள் காண்பிப்போம். 1D 'மற்றும் ஒரு' 2டி ” பைடார்ச் டென்சர். இந்த டென்சர்களை வரையறுப்பதன் மூலம் தொடங்குகிறோம்:

பைடார்ச்_டென்சர் = ஜோதி. டென்சர் ( [ 10.0 , 21.0 , 94.0 , 38.0 ] )
pytorch_tensor_2d = ஜோதி. டென்சர் ( [ [ 2 , 5 , 1 ] , [ 9 , 2 , 9 ] , [ 1 , 7 , 1 ] ] )

மேலே உள்ள குறியீடு பின்வருமாறு செயல்படுகிறது:

  • ' டென்சர்() 'PyTorch இல் டென்சர்களை உள்ளிடுவதற்கு முறை பயன்படுத்தப்படுகிறது.
  • ' 1-பரிமாணம் ” டென்சரில் மேலே காட்டப்பட்டுள்ளபடி ஒற்றை வரிசையில் உறுப்புகள் மட்டுமே உள்ளன.
  • ' 2-பரிமாணம் ” மேலே வரையறுக்கப்பட்ட டென்சரில் 3 தனித்தனி நெடுவரிசைகள் மற்றும் 3 தனித்தனி வரிசைகளில் உறுப்புகள் உள்ளன.
  • வரையறுக்கப்பட்ட இரண்டு டென்சர்களும் அந்தந்த ' மாறிகள் ”:

படி 4: ஒவ்வொரு டென்சர் உறுப்புகளின் அதிர்வெண்களைக் கணக்கிடுங்கள்

PyTorch டென்சர்களை வரையறுத்த பிறகு, '' என்ற கணக்கீட்டை வரையறுக்க வேண்டிய நேரம் இது. அடுக்குகள் 'இரண்டு டென்சர்களில் உள்ள ஒவ்வொரு உறுப்புக்கும் ' torch.exp() ”முறை:

tensor_exponents = ஜோதி. ex ( பைடார்ச்_டென்சர் )
tensor_exponents_2d = ஜோதி. ex ( pytorch_tensor_2d )

மேலே உள்ள குறியீடு பின்வருமாறு செயல்படுகிறது:

  • ' exp() 'செயல்பாடு ஒரு டென்சரில் உள்ள ஒவ்வொரு தனிமத்தின் அடுக்குகளையும் கணக்கிட பயன்படுகிறது.
  • ' 1D 'டென்சர் மாறி என்பது' இன் வாதமாக வரையறுக்கப்படுகிறது exp() 'செயல்பாடு மற்றும் அது பின்னர்' ஒதுக்கப்படும் tensor_exponents காட்டப்பட்டுள்ளபடி மாறி.
  • அடுத்து, ' 2டி 'டென்சர் மாறி என்பது ' வாதமாக வரையறுக்கப்படுகிறது exp() 'செயல்பாடு மற்றும் அது பின்னர்' ஒதுக்கப்படும் tensor_exponents_2d காட்டப்பட்டுள்ளபடி ' மாறி:

படி 5: வெளியீட்டை அச்சிடவும்

'' ஐப் பயன்படுத்தி இரண்டு டென்சர்களுக்குள் உள்ள ஒவ்வொரு தனிமத்தின் அடுக்குகளின் கணக்கீட்டின் வெளியீட்டை அச்சிடுவது கடைசி படியாகும். அச்சு () ”முறை:

அச்சு ( அசல் 1D டென்சர்: \n ' , பைடார்ச்_டென்சர் )
அச்சு ( ' \n 1D டென்சரின் அடுக்குகள்: \n ' , tensor_exponents )

அச்சு ( ' \n அசல் 2டி டென்சர்: \n ' , pytorch_tensor_2d )
அச்சு ( ' \n 2டி டென்சரின் அடுக்குகள்: \n ' , tensor_exponents_2d )

மேலே உள்ள குறியீடு பின்வருமாறு செயல்படுகிறது:

  • பயன்படுத்த ' அச்சு () ” அசல் 1D டென்சரை வெளியீட்டில் காண்பிக்கும் முறை மற்றும் அதன் உறுப்புகளின் அடுக்குகள்.
  • பிறகு, அதையே பயன்படுத்தவும்' அச்சு () 'வெளியீட்டில் அசல் 2D டென்சரைக் காண்பிக்கும் முறை மற்றும் காட்டப்பட்டுள்ளபடி அதன் உறுப்புகளின் அடுக்குகள்.
  • ' \n 'குறியீட்டில் காட்டப்பட்டுள்ள சொல் பின்வரும் வரியிலிருந்து அடுத்த வெளியீட்டைத் தொடங்கப் பயன்படுகிறது. வெளியீட்டு காட்சியை ஒழுங்கமைக்க இது பயன்படுகிறது.
  • வெளியீட்டில் காட்டப்பட வேண்டிய எளிய உரை 'தலைகீழ் காற்புள்ளியில்' சேர்க்கப்பட்டுள்ளது. அச்சு () ” முறை வாதம்.
  • உரையைத் தொடர்ந்து ' மாறி ” என்று அச்சிட வேண்டும்.

அடுக்கு வெளியீடு

குறிப்பு : நீங்கள் எங்கள் Colab நோட்புக்கை இதில் அணுகலாம் இணைப்பு .

சார்பு உதவிக்குறிப்பு

PyTorch டென்சர்களில் உள்ள தனிமங்களின் அடுக்குகளை கணக்கிடுவது, மில்லியன் கணக்கான வரிசை தரவுகளுடன் சிக்கலான இயந்திர கற்றல் மாதிரியை இயக்குவதற்கு முன் முன் செயலாக்கத்தில் ஒரு முக்கியமான படியாக நிரூபிக்க முடியும். இந்த நுட்பம் அனைத்து எண் தரவு மதிப்புகளையும் ஒரு சிறிய வரம்பிற்குள் கொண்டு வர முடியும், இது வன்பொருளுக்கு மிகவும் எளிதாக இருக்கும், இதனால் செயலாக்க நேரத்தை கணிசமாகக் குறைக்கிறது.

வெற்றி! PyTorch டென்சரில் உள்ள ஒவ்வொரு தனிமத்தின் அடுக்குகளையும் எவ்வாறு கணக்கிடுவது என்பதை நாங்கள் உங்களுக்குக் காட்டியுள்ளோம்.

முடிவுரை

முதலில் டென்சரை வரையறுப்பதன் மூலம் பைடார்ச்சில் உள்ள அனைத்து டென்சர் உறுப்புகளின் அடுக்குகளையும் கணக்கிடவும், பின்னர் ' torch.exp() ” செயல்பாடு. இந்த வலைப்பதிவில், 1D மற்றும் 2D PyTorch டென்சரை எவ்வாறு வரையறுப்பது மற்றும் இந்த இரண்டு டென்சர்களில் உள்ள ஒவ்வொரு தனிமத்தின் அதிவேகத்தை எவ்வாறு கணக்கிடுவது என்பதையும் நாங்கள் காண்பித்தோம்.