[PYTHON] Comprendre Tensor (3): données du monde réel

1.Tout d'abord

Organisez les informations dont vous avez besoin pour comprendre Tensor comme vos propres notes. Aujourd'hui, je vais donner un exemple de données utilisées dans le monde réel du deep running. Je vais vous présenter comment les données sont exprimées sous forme de tenseur.

Et veuillez lire attentivement comment chaque donnée est exprimée en ** Forme ** de Tensol.

Le post précédent est ici.

1. Comprendre Tensor (1): Dimension
2. Comprendre Tensor (2): Shape

2. Qu'est-ce que 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.

Un tenseur est un conteneur contenant des nombres. C'est simple.

3. Exemple Tensol (Real World Data)

Le tableau ci-dessous présente les données couramment utilisées dans le monde réel de la course en profondeur et ses informations de tenseur.

• Vector data is different with Vector. Vector is 1D tensor.
• Les données vectorielles désignent des données de type table souvent utilisées dans l'apprentissage automatique. Notez que ce sont des données vectorielles, pas vectorielles.

3.1. Vector Data（2D Tensor)

Voici un exemple de données pour une liste de personnes. Considérez cela comme une sorte de liste électorale. Supposons que vous ayez sélectionné Âge, Code postal et Revenu comme fonctionnalités expliquant chaque personne publique de la liste et collecté des données pour 10 000 personnes (exemples). Puisque les données sont dans une matrice, elles deviennent un tenseur 2D. La forme de ce tenseur 2D est ** (Sample, Feature) = (10000,3) **.

3.2.Time Series Data（3D Tensor) Considérez les données chronologiques sur le cours annuel des actions d'une entreprise.

Considérez la structure de ces données. Pour les cours des actions, nous collectons des données sur 250 jours ouvrables toute l'année. Les prix des actions sont regroupés en unités de 1 minute. La bourse recueille 390 minutes de données. Sélectionnez le prix actuel, le prix le plus élevé et le prix le plus bas comme montant caractéristique de l'achat de stock.

Par conséquent, la forme de cette série chronologique est ** (Sample, Timestep, Feature) = (250, 390, 3) **.

3.3. Images（4D Tensor)

Données d'image. Tout d'abord, supposons que vous ayez 128 données d'image. Ensuite, disons que la résolution est de 256X256 pixels. C'est une image couleur et se compose de trois canaux (R, V, B).

Par conséquent, la forme de ces données d'image est ** (échantillon, hauteur, largeur, canal) = (128, 256, 256, 3) **.

3.4. Video（5D Tensor) Données vidéo. Par exemple, supposons que vous disposiez de quatre données vidéo couleur de 60 secondes avec une résolution de 144X156. En supposant que la fréquence d'images de cette vidéo est de 4 ips, elle se composera d'environ 240 images (240 images = 60 s * 4 images / s).

Par conséquent, la forme de ces données vidéo est ** (échantillon, images, hauteur, largeur, canal) = (4, 240, 144, 156, 3) **.

4. Résumé

Exemple de données	Détails	Figure	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. Documents de référence

1. Comprendre Tensor (1): Dimension
2. Comprendre Tensor (2): Shape