Cara menampilkan data untuk jaringan saraf Cara menampilkan data untuk jaringan saraf

Programming

[ad_1]
Hai Teman-teman di suratpembaca.web.id. Dalam kesempatan ini kita akan membahas tentang Linux yakni Cara menampilkan data untuk jaringan saraf Cara menampilkan data untuk jaringan saraf

.

Mudah-mudahan artikel mengenai Cara menampilkan data untuk jaringan saraf Cara menampilkan data untuk jaringan saraf

bisa memberikan faedah untuk Teman-teman semua. Langsung saja baca artikel ini
sampai selesai.

Jaringan Saraf

pengantar

Semua sistem pembelajaran mesin menggunakan tensor (array multidimensi) sebagai struktur data utamanya. Data disimpan dalam bentuk tensor. Untuk jaringan saraf, data terutama ditampilkan dalam format berikut.

  • Vektor (tensor 1D): Array angka disebut tensor 1D. Tensor 1 dimensi memiliki tepat satu sumbu.
  • Skalar (tensor 0D): Tensor yang hanya berisi satu angka yang disebut skalar (tensor dimensi nol). Di NumPy, angka float32 atau float64 adalah tensor skalar.

Semua sistem pembelajaran mesin saat ini menggunakan tensor sebagai struktur data utamanya. Tensor sangat penting untuk lapangan. Tensor adalah satu Wadah untuk data Pada intinya. Data numerik ini hampir kontinu. Jadi, ini adalah wadah untuk angka.

Misalnya, x = np.array ([1,2,3,4,5,6,7,8]) Memiliki 8 masukan sehingga disebut vektor 8 dimensi. Tensor 8 dimensi dan vektor 8 dimensi berbeda. Vektor 8 dimensi hanya memiliki satu dimensi di sepanjang sumbunya, sedangkan tensor 8 dimensi memiliki 8 sumbu dan dapat memiliki sejumlah dimensi. Dimensi dapat menunjukkan jumlah input di sepanjang sumbu tertentu (seperti vektor 8 dimensi kami) atau jumlah sumbu tensor (seperti tensor 8 dimensi).

Vektor (tensor 1D)

Vektor adalah deretan bilangan. Ini juga disebut tensor 1 dimensi. Tensor 1 dimensi seharusnya hanya memiliki satu sumbu.

Gambar berikut adalah vektor Numpy:

>>> x = np.array ([12, 3, 6, 14])

>>> x

Himpunan ([12, 3, 6, 14])

>>> x.ndim

Vektor ini disebut vektor 5D karena memiliki lima input. Sebuah vektor 5D memiliki lima dimensi sepanjang sumbunya dan hanya satu sumbu. Tensor 5D dapat memiliki sejumlah dimensi di sepanjang setiap sumbu dan memiliki lima sumbu. Dimensi dapat menunjukkan jumlah input di sepanjang sumbu tertentu atau jumlah sumbu tensor. Yang terkadang bisa membingungkan. Secara teknis lebih tepat untuk berbicara tentang tensor peringkat kedua dalam kasus kedua. Pangkat tensor sedang Jumlah sumbu. Tetapi simbol samar tensor 5D adalah umum terlepas dari ini.

Matriks (tensor dua dimensi)

Matriks adalah susunan vektor. Ini juga disebut tensor dua dimensi. Matriks, sering disebut sebagai baris dan kolom, memiliki dua sumbu. Kita dapat secara visual memahami matriks sebagai kotak angka persegi panjang.

Ini adalah matriks Numpy: >>> x = np.array ([ [5, 78, 2, 34, 0]kan

[6, 79, 3, 35, 1]kan

[7, 80, 4, 36, 2] ])

>>> x.ndim

Dari sumbu pertama, input disebut baris. Kolom adalah input dari sumbu kedua. Pada contoh sebelumnya, [5, 78, 2, 34, 0] Baris pertama adalah x dan [5, 6, 7] Apakah kolom pertama.

Tensor tiga dimensi dan dimensi yang lebih tinggi

Kami mendapatkan tensor tiga dimensi yang dapat kami tafsirkan secara visual Kubus angka Jika kita mengemas matriks seperti itu dalam array baru.

Di bawah ini adalah tensor 3D Numpy:

>>> x = np.array ([[[5, 78, 2, 34, 0]kan

[6, 79, 3, 35, 1]kan

[7, 80, 4, 36, 2]],

[[5, 78, 2, 34, 0]kan

[6, 79, 3, 35, 1]kan

[7, 80, 4, 36, 2]],

[[5, 78, 2, 34, 0]kan

[6, 79, 3, 35, 1]kan

[7, 80, 4, 36, 2]]])

>>> x.ndim

Kita dapat membuat tensor 4D dengan mengemas tensor 3D dalam array dan seterusnya. Kami biasanya memanipulasi tensor dari 0 hingga 4 dalam pembelajaran mendalam.

Apa saja fitur utama tensor?

Kita dapat mendefinisikan tensor dengan tiga properti kunci.

Misalnya, tensor tiga sumbu tiga dimensi dan matriks dua sumbu. ndim ini juga disebut tensor di perpustakaan Python, misalnya Numpy.

Ini satu Beberapa bilangan bulat. Menentukan berapa banyak dimensi yang dimiliki tensor sepanjang setiap sumbu. Untuk kasus, contoh matriks sebelumnya berbentuk (3, 5) dan contoh tensor 3D berbentuk (3, 3, 5). Skalar memiliki bentuk kosong, () dan vektor memiliki bentuk dengan elemen tunggal, seperti (5,).

Jenis data ini terbatas dalam tensor. Misalnya, jenis tensor mungkin float32. Mungkin juga uint8, float64 dan sebagainya. Kita mungkin jarang melihat tensor karakter. Tensor hidup di segmen memori yang telah dialokasikan sebelumnya dan berdekatan, jadi tidak ada tensor string di Numpy atau sebagian besar perpustakaan lainnya.

Jaringan saraf grafis

Jaringan saraf graf, seperti yang disebut, adalah jaringan saraf yang dapat diterapkan langsung ke grafik. Ini memberikan cara mudah untuk memprediksi level node, level edge, dan tugas bagan. Pada dasarnya ada tiga jenis jaringan saraf graf.

  • Diagram duplikat jaringan saraf
  • Jaringan konvolusi spasial
  • Jaringan konvolusi spektral

Demikian materi mengenai Cara menampilkan data untuk jaringan saraf Cara menampilkan data untuk jaringan saraf

, terimakasih sudah berkunjung di website saya, mudah-mudahan postingannya ada manfaatnya ya.

[ad_2]

Source link

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan.