PyTorch - 05 - Rank, Axes 和Shape:深度学习张量
Rank, Axes 和Shape:深度学习张量
等级,轴和形状的概念是在深度学习中最关心我们的张量属性。
- 秩
- 轴数
- 形状
等级,轴和形状是在深度学习中从张量开始时最关心我们的三个张量属性。 这些概念是相互依存的,首先是等级,然后是轴,最后是形状,因此请密切注意这三个之间的关系。
等级,轴和形状在一起都与我们在上一篇文章中讨论过的索引概念基本相关。 如果您还没有看到它,我强烈建议您检查一下。 让我们从一楼开始介绍一下张量的等级。
张量等级
张量的等级是指张量内存在的维数。 假设我们被告知我们有一个2级张量。 这意味着以下所有:
- 我们有一个矩阵
- 我们有一个二维数组
- 我们有一个二维张量
我们在这里引入“等级”一词是因为它是指在给定张量中存在的维数时在深度学习中常用的单词。 这只是不同研究领域使用不同词语指代同一概念的另一种情况。 不要让它让您失望!
排名和索引
张量的等级告诉我们访问(指)张量数据结构中包含的特定数据元素需要多少个索引。
张量的等级告诉我们需要多少个索引来引用张量内的特定元素。
通过查看张量的轴来建立等级的概念。
张量轴
如果我们有张量,并且想要引用一个特定的维,则在深度学习中使用单词轴。
张量的轴是张量的特定尺寸。
如果说张量是2级张量,则意味着张量具有2个维度,或者等效地,张量具有2个轴。
据说元素存在或沿轴延伸。 该运行受每个轴的长度限制。 现在让我们看一看轴的长度。
轴长
每个轴的长度告诉我们沿每个轴有多少索引可用。
假设我们有一个名为t的张量,并且我们知道第一个轴的长度为3,而第二个轴的长度为4。
由于第一根轴的长度为三,这意味着我们可以沿第一根轴索引三个位置,如下所示:
t[0]
t[1]
t[2]
所有这些索引都是有效的,但是我们不能移动通过的索引2。
由于第二根轴的长度为四,因此我们可以沿第二根轴索引四个位置。 对于第一轴的每个索引,这都是可能的,所以我们有
t[0][0]
t[1][0]
t[2][0]
t[0][1]
t[1][1]
t[2][1]
t[0][2]
t[1][2]
t[2]