Comment obtenir les exposants des éléments tensoriels dans PyTorch ?

Ce blog expliquera comment obtenir les exposants des éléments tensoriels dans PyTorch.

Quelle est l’utilisation des exposants dans les tenseurs PyTorch ?

Les réseaux de neurones utilisent un modèle complexe pour connecter simultanément plusieurs entrées à plusieurs sorties afin d'imiter le fonctionnement du cerveau humain. Sous cette structure se cache un squelette complexe de mathématiques fondamentales qui rend toutes ces connexions possibles. Les exposants sont simplement un autre concept mathématique qui contribue à rendre la vie des programmeurs et des data scientists beaucoup plus facile.

Les fonctionnalités importantes de l'utilisation des exposants dans PyTorch sont répertoriées ci-dessous :

• La principale utilisation des exposants est de placer l’ensemble des données dans une plage appropriée pour un traitement plus rapide.
• Le taux de désintégration peut être facilement visualisé à l’aide de fonctions exponentielles.
• Tout type de données possédant une tendance exponentielle peut être visualisé sous forme de tendance linéaire en utilisant le concept d'exponentielles.

Comment calculer les exposants de tous les éléments tensoriels dans PyTorch ?

L'utilisation de Tensors pour stocker des valeurs de données est une fonctionnalité incroyable pour PyTorch en raison de toutes les fonctionnalités et possibilités de manipulation apportées par les tenseurs. Le calcul des exposants pour des éléments tensoriels individuels est essentiel pour gérer les données dans des limites plus petites.

Suivez les étapes ci-dessous pour savoir comment obtenir les exposants d'éléments tensoriels individuels dans PyTorch :

Étape 1 : Configurer Colab

La première étape consiste à configurer l’EDI. Colaboratory de Google est un bon choix en raison de ses GPU intégrés disponibles gratuitement pour le calcul des tenseurs. Aller au Colab site web et ouvrez un ' Nouveau cahier ' comme montré:

Étape 2 : installer et importer la bibliothèque Torch

Le framework PyTorch est basé sur l'union du langage de programmation Python et de la bibliothèque Torch pour le développement de modèles d'apprentissage profond. L'installation et l'importation du ' torche ' La bibliothèque est essentielle pour démarrer tout projet dans PyTorch :

Le code ci-dessus fonctionne comme suit :

• Le ' !pépin ' Le package d'installation de Python est utilisé pour installer des packages et des bibliothèques dans PyTorch.
• Ensuite, le « importer ' La commande est utilisée pour appeler les bibliothèques et leurs fonctionnalités pour le projet :

Étape 3 : Définir un tenseur PyTorch 1D et 2D

Dans ce didacticiel, nous démontrerons le calcul des exposants des éléments tensoriels d'un ' 1D » et un « 2D » Tenseur PyTorch. Nous commençons par définir ces tenseurs :

Le code ci-dessus fonctionne comme suit :

• Le ' tenseur() 'La méthode est utilisée pour saisir des tenseurs dans PyTorch.
• Le ' 1 dimension ' Le tenseur n'a que des éléments sur une seule ligne, comme indiqué ci-dessus.
• Le ' 2 dimensions ' Le tenseur défini ci-dessus comporte des éléments répartis dans 3 colonnes distinctes et 3 lignes distinctes.
• Les deux tenseurs définis sont affectés à leurs «  variables » :

Étape 4 : Calculer les exposants de chaque élément tensoriel

Après avoir défini les tenseurs PyTorch, il est temps de définir le calcul de « exposants ' de chaque élément dans les deux tenseurs en utilisant le ' torche.exp() ' méthode:

Le code ci-dessus fonctionne comme suit :

• Le ' exp() ' La fonction est utilisée pour calculer l'exposant de chaque élément dans un tenseur.
• Le ' 1D La variable tenseur ' est définie comme l'argument du ' exp() ' et il est ensuite affecté à la fonction ' tensor_exponents 'variable comme indiqué.
• Ensuite, le « 2D La variable tensorielle ' est également définie comme l'argument du ' exp() ' et il est ensuite affecté à la fonction ' tensor_exponents_2d ' variable comme indiqué :

Étape 5 : Imprimer la sortie

La dernière étape consiste à imprimer le résultat du calcul des exposants de chaque élément contenu dans les deux tenseurs en utilisant le «  imprimer() ' méthode:

Le code ci-dessus fonctionne comme suit :

• Utilisez le ' imprimer() ' pour afficher le Tensor 1D d'origine en sortie et les exposants de ses éléments.
• Ensuite, utilisez le même ' imprimer() ' pour afficher le Tensor 2D d'origine en sortie et les exposants de ses éléments comme indiqué.
• Le ' \n 'Le terme affiché dans le code est utilisé pour commencer la sortie suivante de la ligne suivante. Il est utilisé pour garder l’affichage de sortie organisé.
• Le texte simple qui doit être affiché dans la sortie est ajouté entre « guillemets » dans le « imprimer() » Argument de méthode.
• Le texte est suivi du « variable » à imprimer.

Sortie des exposants

Note  : Vous pouvez accéder à notre Colab Notebook à cette adresse lien .

Conseil de pro

Le calcul des exposants d'éléments dans les tenseurs PyTorch peut s'avérer être une étape cruciale du prétraitement avant d'exécuter un modèle d'apprentissage automatique complexe avec des millions de lignes de données. Cette technique peut ramener toutes les valeurs de données numériques dans une petite plage, ce qui s'avérerait beaucoup plus simple pour le matériel, réduisant ainsi considérablement le temps de traitement.

Succès! Nous vous avons montré comment calculer l'exposant de chaque élément individuel dans un tenseur PyTorch.

Conclusion

Calculez les exposants de tous les éléments Tensor dans PyTorch en définissant d'abord le tenseur, puis en utilisant le ' torche.exp() ' fonction. Dans ce blog, nous avons montré comment définir un tenseur PyTorch 1D et 2D et comment calculer l'exposant de chaque élément dans ces deux tenseurs.