Derin öğrenmede birçok konuşmada veri yapısı köşe taşı olarak tensör kavramını duyarız. Tensör hatta Google’ın makine öğrenmesi amiral gemi kütüphanesi Tensörflow için de de kullanılmıştır.
Tensörler, lineer cebirde veri yapılarında kullanılan bir tiptir ve vektörler ve matrisler gibi, tensörlerle aritmetik işlemler hesaplanabilir.
Bir tensör, vektörlerin ve matrislerin bir genellemesidir ve çok boyutlu bir dizi olarak kolayca anlaşılabilir.
Vektörler 1D tensörleri oluşturmak ve işlemek için kullanılırken, matrisler 2D tensörleri oluşturmak ve işlemek için kullanılar.
Tensör notasyonu, matrix notasyonu gibidir. Tensör notasyonu, tensörü temsil eden büyük harflİ (T) ve tensör içindeki skaler değerleri temsil eden alt indis tamsayılı küçük harfli, matris notasyonuna çok benzer.
| t111, t121, t131 t112, t122, t132 t113, t123, t133 T = (t211, t221, t231), (t212, t222, t232), (t213, t223, t233) t311, t321, t331 t312, t322, t332 t313, t323, t333 |
Skalerler, vektörler ve matrislerle gerçekleştirilebilen işlemlerin çoğu, tensörlerle gerçekleştirilmek üzere yeniden formüle edilebilir.
| import numpy as np T=np.array([ [[1,2,3],[4,5,6],[7,8,9]], [[10,20,30],[40,50,60],[70,80,90]], [[21,22,23], [24,25,26], [27,28,29]], ]) print(T.shape) print(T) |
| ÇIKTI : (3, 3, 3) [[[ 1 2 3] [ 4 5 6] [ 7 8 9]] [[10 20 30] [40 50 60] [70 80 90]] [[21 22 23] [24 25 26] [27 28 29]]] |
