PyTorchல் ஒரு டென்சரின் உறுப்பு வாரியான என்ட்ரோபியை எவ்வாறு கண்டுபிடிப்பது?

Pytorchl Oru Tencarin Uruppu Variyana Entropiyai Evvaru Kantupitippatu



என்ட்ரோபி என்பது ஒரு குறிப்பிட்ட அமைப்பின் நிச்சயமற்ற தன்மை அல்லது சீரற்ற தன்மையின் அளவீடு ஆகும். ஒரு டென்சரின் உறுப்பு வாரியான என்ட்ரோபி என்பது டென்சரின் ஒவ்வொரு உறுப்புக்கும் தனித்தனியாக கணக்கிடப்படும் என்ட்ரோபி ஆகும். PyTorch வழங்குகிறது ' ஜோதி.special.entr() ” எந்த டென்சரின் என்ட்ரோபியைக் கண்டறியும் முறை. டென்சரின் உறுப்பு எதிர்மறையாக இருந்தால், அதன் என்ட்ரோபி எதிர்மறை முடிவிலியாக இருக்கும். டென்சரின் உறுப்பு என்றால் ' 0 ”, அதன் என்ட்ரோபியும் இருக்கும்” 0 ”. மேலும், டென்சர் உறுப்பு நேர்மறையாக இருந்தால், அதன் என்ட்ரோபி அதன் இயற்கை மடக்கை மூலம் தனிமத்தின் எதிர்மறை மதிப்பின் விளைபொருளாகக் கணக்கிடப்படும்.

PyTorch இல் உள்ள டென்சர்களின் உறுப்பு வாரியான என்ட்ரோபியைக் கண்டறியும் முறையை இந்தக் கட்டுரை எடுத்துக்காட்டுகிறது.







பைடார்ச்சில் டென்சர்களின் உறுப்பு வாரியான என்ட்ரோபியை எவ்வாறு கண்டுபிடிப்பது?

PyTorchல் உள்ள டென்சர்களின் உறுப்பு வாரியான என்ட்ரோபியைக் கண்டறிய, ' ஜோதி.special.entr() ” முறை பயன்படுத்தப்படுகிறது. இந்த முறையின் உறுப்பு வாரியான என்ட்ரோபியைக் கண்டறிய பயனர்கள் விரும்பிய டென்சரை அனுப்ப வேண்டும்.



சிறந்த புரிதலுக்கு, பின்வரும் எடுத்துக்காட்டுகளைப் பார்க்கவும்:



எடுத்துக்காட்டு 1: 1D டென்சரின் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுங்கள்/கண்டுபிடிக்கவும்

முதல் எடுத்துக்காட்டில், நாம் ஒரு 1D டென்சரை உருவாக்கி அதன் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுவோம். வழங்கப்பட்ட படிகளைப் பின்பற்றுவோம்:





படி 1: PyTorch நூலகத்தை இறக்குமதி செய்யவும்

முதலில், 'இறக்குமதி' ஜோதி உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிட நூலகம்:

இறக்குமதி ஜோதி



படி 2: 1D டென்சரை உருவாக்கவும்

பின்னர், பயன்படுத்தவும் ' டார்ச்.டென்சர்() 1D டென்சரை உருவாக்கி அதன் உறுப்புகளை அச்சிடுவதற்கான செயல்பாடு. இங்கே, நாங்கள் பின்வருவனவற்றை உருவாக்குகிறோம் ' பத்துகள்1 பட்டியலிலிருந்து 1D டென்சர்:

Tens1 = torch.tensor([3, 0.8 , -1 , 5, 0, -9])

அச்சு (Tens1)

படி 3: உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுங்கள்

இப்போது, ​​பயன்படுத்தவும் ' ஜோதி.special.entr() '' இன் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுவதற்கான முறை பத்துகள்1 ”டென்சர்:

tens_Entr = torch.special.entr(Tens1)

படி 4: கம்ப்யூட்டட் என்ட்ரோபியைக் காண்பி

கடைசியாக, சரிபார்ப்பிற்காக டென்சரின் கணக்கிடப்பட்ட உறுப்பு வாரியான என்ட்ரோபியைக் காட்டவும்:

அச்சு (பத்து_எண்டர்)

கீழே உள்ள வெளியீடு '' இன் கணக்கிடப்பட்ட என்ட்ரோபியைக் காட்டுகிறது பத்துகள்1 ”டென்சர்:

எடுத்துக்காட்டு 2: 2D டென்சரின் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுங்கள்/கண்டுபிடியுங்கள்

இரண்டாவது எடுத்துக்காட்டில், நாம் 2D டென்சரை உருவாக்கி அதன் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுவோம். கீழே உள்ள படிப்படியான வழிமுறையைப் பின்பற்றுவோம்:

படி 1: PyTorch நூலகத்தை இறக்குமதி செய்யவும்

முதலில், 'இறக்குமதி' ஜோதி என்ட்ரோபியைக் கணக்கிட நூலகம்:

இறக்குமதி ஜோதி

படி 2: 2டி டென்சரை உருவாக்கவும்

பின்னர், விரும்பிய 2டி டென்சரை உருவாக்கி அதன் கூறுகளை அச்சிடவும். இங்கே, நாங்கள் பின்வருவனவற்றை உருவாக்குகிறோம் ' பத்துகள்2 “2டி டென்சர்:

Tens2 = torch.tensor([[1, 7, -3], [4, -2, 0], [-5, 0, -8]])

அச்சு (Tens2)

இது கீழே காணப்படுவது போல் 2D டென்சரை உருவாக்கியுள்ளது:

படி 3: உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுங்கள்

இப்போது, ​​'இன் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுங்கள் பத்துகள்2 'டென்சர்' ஐப் பயன்படுத்தி ஜோதி.special.entr() ”முறை:

tens2_Entr = torch.special.entr(Tens2)

படி 4: கம்ப்யூட்டட் என்ட்ரோபியைக் காண்பி

இறுதியாக, டென்சரின் கணக்கிடப்பட்ட உறுப்பு வாரியான என்ட்ரோபியைக் காட்டவும்:

அச்சு (பத்துகள்2_Entr)

என்ட்ரோபி ' பத்துகள்2 'டென்சர் வெற்றிகரமாக கணக்கிடப்பட்டது:

PyTorch இல் டென்சர்களின் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடும் முறையை நாங்கள் திறமையாக விளக்கியுள்ளோம்.

குறிப்பு : எங்கள் Google Colab நோட்புக்கை நீங்கள் இதில் அணுகலாம் இணைப்பு .

முடிவுரை

PyTorchல் உள்ள டென்சர்களின் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிட/கண்டுபிடிக்க, முதலில், ' ஜோதி ” நூலகம். பின்னர், விரும்பிய 1D அல்லது 2D டென்சரை உருவாக்கி அதன் கூறுகளைப் பார்க்கவும். அதன் பிறகு, பயன்படுத்தவும் ' ஜோதி.special.entr() ” உள்ளீட்டு டென்சரின் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுவதற்கான முறை. கடைசியாக, கணக்கிடப்பட்ட என்ட்ரோபியைக் காட்டவும். PyTorchல் உள்ள டென்சர்களின் உறுப்பு வாரியான என்ட்ரோபியைக் கணக்கிடுவதற்கான முறையை இந்தக் கட்டுரை எடுத்துக்காட்டுகிறது.