企业官网建设流程全解析

小说写作网站,溧阳手机网站哪里做,wordpress 随机重复,国际新闻联播直播 今天1. 从标量到张量 问AI#xff1a; 什么是张量#xff1f; AI答#xff1a; 0维是标量#xff0c;1维是向量#xff0c;2维是矩阵#xff0c;3维及以上就是张量。 在深度学习中#xff0c;张量不仅是多维数据容器#xff0c;更重要的是它支持自动微分和GPU加速计算…1. 从标量到张量问AI什么是张量AI答0维是标量1维是向量2维是矩阵3维及以上就是张量。在深度学习中张量不仅是多维数据容器更重要的是它支持自动微分和GPU加速计算这是普通多维数组不具备的核心特性。比如PyTorch和TensorFlow中的张量除了存储数据还记录了计算图信息能够反向传播梯度。个人理解从数组的角度看数字1就是0维数组坐标100100就是1维数组NxM 矩阵(011110101)\begin{pmatrix} 011\\ 110\\ 101\\ \end{pmatrix}​011​110​101​​就是2维数组。QxNxM张量就是Q个矩阵的数组也就是3维数组。所以从数组的角度看张量就是多维数组。从几何的角度看数字1是一维坐标轴上的向量点(100, 100)是二维空间中的一个向量由xy坐标轴上的两个分向量合成而来矩阵是向量的推广矩阵的子向量数量可以是多个。矩阵要竖着看每一列都是一个向量。比如1x1矩阵(0)\begin{pmatrix} 0 \end{pmatrix}(0​)可以表示一个标量。3x1矩阵(011)(3)\begin{pmatrix} 0\\ 1\\ 1\\ \end{pmatrix} \tag{3}​011​​(3)表示一个3维向量。3x3矩阵(011110101)\begin{pmatrix} 011\\ 110\\ 101\\ \end{pmatrix}​011​110​101​​表示3个3维向量。4x3矩阵(011110101100)\begin{pmatrix} 011\\ 110\\ 101\\ 100\\ \end{pmatrix}​0111​1100​1010​​表示3个4维向量。从几何的角度看矩阵可以代表由子向量组成的任意维度的空间。这个维度是几何维度不是数组中的维度概念不要搞混。比如说一张二维1920x1080的图片你可以把它看作矩阵那么它代表的空间是多少维的上千维的。但是它作为数据就是个二维数组。这两个维度要区分开否则很晕。张量张量是矩阵的推广。既然矩阵可以表示任意维度的空间那么从几何角度看张量就是多元宇宙。3维的张量就是一阶多元宇宙4维的张量就是二阶多元宇宙。以此类推。需要强调的是数组中的维度和空间中的维度是不一样的在神经网络中最好还是从多维数组的角度去理解张量。2.张量在神经网络中的地位问AI是不是神经网络中几乎都在用张量或者说离不开张量AI答是的神经网络几乎完全依赖张量。张量是深度学习的核心数据结构几乎所有现代深度学习框架如PyTorch、TensorFlow、JAX都围绕张量构建。神经网络的输入数据如图像、文本序列、权重参数、中间计算结果、梯度信息等都以张量形式存储和计算。张量不仅仅是多维数组更重要的是它们支持自动微分和GPU加速这是训练神经网络的关键能力。框架通过张量追踪计算图实现反向传播算法自动计算梯度用于参数更新。可以说没有张量现代深度学习的高效训练和推理就无从谈起。3.张量的使用张量是神经网络框架pytorch, tensorflow中的核心数据结构经常用到。所以一般输入的图片都需要转换成张量才能被计算。问AItorch中toTensor()函数作用的什么为什么要把图片toTensor()AI答toTensor()就是给图片办一张「神经网络身份证」。它主要做三件事改格式从图片格式如jpg、png变成神经网络能看懂的数字格式张量。缩数值把像素亮度从0-255的整数变成0-1之间的小数神经网络处理起来更顺手。调顺序把图片的「高×宽×颜色通道」排布改成神经网络最喜欢的「颜色通道×高×宽」排布。一句话总结没有 toTensor()图片就进不了神经网络的大门。好了下一篇直接让AI分析代码AI之下没有看不懂的代码。