AI-United » Allgemein » TensorFlow-Tutorial. Teil 1: Tensoren und Vektoren

TensorFlow-Tutorial. Teil 1: Tensoren und Vektoren

TensorFlow-Tutorial. Teil 1

TensorFlow ist das ML-Framework von Google, das entwickelt wurde, um detaillierte Lernmodelle zu entwerfen, zu bauen und zu studieren. Deep Learning ist ein Bereich des Machine Learning, in dem Algorithmen von der Struktur und Funktion des Gehirns inspiriert wurden. Mit TensorFlow können Sie numerische Berechnungen durchführen. Diese Tatsache erscheint an sich nicht spezifisch, aber diese Berechnungen werden mit Hilfe von Datenflussgraphen durchgeführt. In diesen Diagrammen sind die Knoten mathematische Operationen, während die Kanten Daten sind, die normalerweise in Form von multivariaten Arrays oder Tensoren dargestellt werden, die zwischen diesen Kanten gemeldet werden.

Der Begriff TensorFlow stammt von den Berechnungen des neuronalen Netzes mit multidimensionalen Daten und Tensoren. Buchstäblich ein Strom von Tensoren. Im Moment ist das alles, was wir über Tensoren wissen müssen, aber wir werden später auf sie zurückkommen.

Das TensorFlow-Tutorial führt Sie interaktiv in das Deep Learning ein:

  1. Zuerst werden Sie mehr über Tensoren erfahren.
  2. Dann wird das Tutorial Ihnen problemlos erklären, wie Sie TensorFlow installieren können.
  3. Danach lernen Sie die Grundlagen von Tesorflow kennen: Wie Sie Ihre ersten einfachen Berechnungen durchführen können.
  4. Der nächste Schritt ist eine echte Herausforderung für echte Daten: Daten über das belgische Straßenschild und statistische Verarbeitung.
  5. Und schließlich entwickeln Sie Ihr neuronales Netzwerkmodell Schicht-für-Schicht.
  6. Sobald die Architektur fertig ist, können Sie das Netzwerk interaktiv trainieren und die Leistungsbewertung mit einem Testmuster durchführen.
  7. Zuletzt erhalten Sie Anweisungen, wie Sie Ihr Modell verbessern und so weit wie möglich mit TensorFlow arbeiten können.

Einführung in die Tensoren

Um Tensoren gut zu verstehen, müssen Sie gute Kenntnisse der linearen Algebra haben und Berechnungen mit Vektoren durchführen können. Sie haben bereits gelesen, dass Tensoren in TensorFlow als multidimensionale Daten-Arrays implementiert sind, aber lassen Sie uns unseren Speicher ein wenig auffrischen, was Tensoren sind und was ihre Rolle in Machine Learning ist.

Flache Vektoren

Bevor wir flache Vektoren betrachten, wäre es schön, sich daran zu erinnern, was ein Vektor ist. Ein Vektor ist eine spezielle Art von Matrix, ein rechteckiges Feld mit Zahlen. Da Vektoren eine geordnete Menge von Zahlen sind, werden sie oft als Matrixspalten dargestellt. Mit anderen Worten, der Vektor ist ein Einzelwert, dem eine Richtung gegeben wurde.

Die Beispiele für Skalar sind “5 Meter” oder “60 m/s”, während der Vektor “5 Meter nördlich” oder “60 m/s östlich” ist.

Der Unterschied zwischen ihnen ist klar: Der Vektor hat eine Richtung. Die Beispiele können jedoch sehr weit von den Vektoren entfernt sein, die Ihnen beim Machine Learning begegnen werden.

Die Länge des mathematischen Vektors ist absolut, während die Richtung relativ ist. Die Länge wird in Bezug auf die Richtung gemessen und die Einheiten sind Grad oder Bogenmaß. Die Richtung wird im Allgemeinen positiv und gegen den Uhrzeigersinn in Bezug auf den Startpunkt betrachtet.

Nun, was ist mit den flachen Vektoren?

Der flache Vektor ist der einfachste Tensor. Sie sind den gewöhnlichen Vektoren sehr ähnlich, wie Sie oben gesehen haben, mit dem kleinen Unterschied, dass sie sich im Vektorraum definieren können.

Um zu verstehen, was das bedeutet, betrachten wir ein Beispiel: Nehmen wir an, es gibt einen Vektor 2 X 1, d.h. der Vektor gehört zu einer Reihe von realen Zahlen, die gepaart sind. Mit anderen Worten, das Element des zweidimensionalen Raums. In solchen Fällen können Sie den Vektor auf der Koordinatenebene als Pfeile oder Strahlen angeben.

Wenn Sie in der Koordinatenebene arbeiten, können Sie die x-Koordinate des Strahlendes mit dem Anfang in (0, 0), mit Blick auf die erste Linie des Vektors und auf die y-Koordinate – auf die zweite herausfinden.

Hinweis: Wenn Sie einen Vektor der Größe 3 X 1 in Betracht ziehen, arbeiten Sie in einem dreidimensionalen Raum. Hier können Sie sich den Vektor als Pfeil im dreidimensionalen Raum vorstellen, der üblicherweise durch drei Achsen x, y und z gesetzt wird.

Es ist toll, Vektordaten und deren Darstellung auf der Koordinatenebene zu haben, aber tatsächlich ist es nur wichtig, dass man mit diesen Vektoren Operationen an ihnen durchführen kann. Dabei hilft Ihnen die Expression dieser Vektoren durch Basis- oder Einheitsvektoren.

Tensoren

Der Flache Vektor ist ein privater Fall von Tensor. Denken Sie daran, dass der Vektor im vorherigen Abschnitt als Skalar definiert wurde, der als Richtung eingestellt wurde. Tensor ist eine mathematische Darstellung der physikalischen Essenz, die durch Wert und mehrere Richtungen eingestellt werden kann.

Und so wie Sie sich einen Skalar als einzelne Zahl und einen dreidimensionalen Vektor als dreifache Zahl vorgestellt haben, wird der Tensor als 3R-Array von Zahlen im dreidimensionalen Raum dargestellt.

R ist für den Rang des Tensors verantwortlich: Im dreidimensionalen Raum kann der Rang-Tensor 2 durch neun Zahlen dargestellt werden. In der N-dimensionalen Skalar erfordert nur eine Zahl, Vektoren benötigen N Zahlen und Tensoren benötigen N^R Zahlen. Dies erklärt, warum Skalare oft als Tensoren der Größe 0 bezeichnet werden: Sie haben keine Richtung und können nur durch eine Zahl dargestellt werden.

Sie können ein Video am Beispiel gewöhnlicher Objekte sehen.

Vektoren, Skalare und Tensoren lassen sich leicht unterscheiden: Skalare werden durch eine einzelne Zahl dargestellt, Vektoren durch eine Folge von Zahlen und Tensoren durch eine Reihe von Zahlen.

Das Besondere an Tensoren ist die Kombination von Komponenten und Basisvektoren: Alle Operationen an Tensoren halten gleiches Verhältnis zwischen Basisvektoren und Komponenten.

Haben Sie soweit verstehen können, was “Tensoren und Vektoren” bezeichnen?

Wie kann man ein neuronales Netzwerk in Ihrem Umfeld einsetzen?

Diese und weitere Fragen beantwortet gerne das AI United Team per Email oder in dem Q&A Bereich.

Quellen: https://www.datacamp.com/community/tutorials/tensorflow-tutorial

AI-United-Redaktion

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.