[PYTHON] Tensor verstehen (3): Daten aus der realen Welt

1. Zuallererst

Organisieren Sie die Informationen, die Sie benötigen, um Tensor als Ihre eigenen Notizen zu verstehen. Heute werde ich ein Beispiel für Daten geben, die in der realen Welt des Deep Running verwendet werden. Ich werde vorstellen, wie die Daten als Tensor ausgedrückt werden.

Und bitte lesen Sie sorgfältig durch, wie die einzelnen Daten als ** Form ** von Tensol ausgedrückt werden.

Der vorherige Beitrag ist hier.

1. Tensor verstehen (1): Dimension
2. Tensor verstehen (2): Form

2. Was ist Tensol?

1. Tensor is a just a container for data.
2. The data are almost numerical data
3. Therefore, Tensor is a container for number.

Ein Tensor ist ein Container, der Zahlen enthält. Es ist einfach.

3. Tensol-Beispiel (Daten aus der realen Welt)

Die folgende Tabelle zeigt häufig verwendete Daten in der realen Welt des Deep Running und deren Tensorinformationen.

• Vector data is different with Vector. Vector is 1D tensor.
• Vektordaten sind tabellarische Daten, die häufig beim maschinellen Lernen verwendet werden. Beachten Sie, dass es sich um Vektordaten handelt, nicht um Vektoren.

3.1. Vector Data（2D Tensor)

Hier ist ein Beispiel für Daten für eine Liste von Personen. Betrachten Sie es als eine Art Wahlliste. Angenommen, Sie haben Alter, Postleitzahl und Einkommen als Merkmale ausgewählt, die jede öffentliche Person in der Liste erläutern, und Daten für 10.000 Personen gesammelt (Stichproben). Da sich die Daten in einer Matrix befinden, werden sie zu einem 2D-Tensor. Die Form dieses 2D-Tensors ist ** (Probe, Merkmal) = (10000,3) **.

3.2.Time Series Data（3D Tensor) Berücksichtigen Sie Zeitreihendaten zum jährlichen Aktienkurs eines Unternehmens.

Betrachten Sie die Struktur dieser Daten. Für Aktienkurse sammeln wir das ganze Jahr über Daten an 250 Werktagen. Die Aktienkurse werden in 1-Minuten-Einheiten zusammengefasst. Die Börse sammelt 390 Minuten Daten. Wählen Sie den aktuellen Preis, den höchsten Preis und den niedrigsten Preis als charakteristischen Betrag für den Aktienkauf aus.

Daher ist die Form dieser Zeitreihe ** (Beispiel, Zeitschritt, Merkmal) = (250, 390, 3) **.

3.3. Images（4D Tensor)

Bilddaten. Angenommen, Sie haben 128 Bilddaten. Angenommen, die Auflösung beträgt 256 x 256 Pixel. Es ist ein Farbbild und besteht aus drei Kanälen (R, G, B).

Daher ist die Form dieser Bilddaten ** (Probe, Höhe, Breite, Kanal) = (128, 256, 256, 3) **.

3.4. Video（5D Tensor) Videodaten. Angenommen, Sie haben vier 60-Sekunden-Farbvideodaten mit einer Auflösung von 144 x 156. Unter der Annahme, dass die Bildrate dieses Videos 4 fps beträgt, besteht es aus ungefähr 240 Bildern (240 Bilder = 60 Sekunden * 4 Bilder / Sekunde).

Daher ist die Form dieser Videodaten ** (Beispiel, Rahmen, Höhe, Breite, Kanal) = (4, 240, 144, 156, 3) **.

4. Zusammenfassung

Datenbeispiel	Einzelheiten	Zahl	Tensor	Shape
Vector Data*	Personal Data		2DTensor	(sample,feature)=(10000,3)
Time Series Data	Annual Stock Data		3DTensor	(sample,timestep,feature)=(250,260,3)
Images	Batch of Color Images		4DTensor	(sample,height,width,channel)=(128,256,256,3)
Video	Batch of Video Frames		5DTensor	(sample,frame,height,width,channel)=(4,240,144,156,3)

• Vector data is different with Vector. Vector is 1D tensor.

5. Referenzmaterialien

1. Tensor verstehen (1): Dimension
2. Tensor verstehen (2): Form