Operaciones con tensores: división y producto tensor

Autor: | Última modificación: 6 de febrero de 2023 | Tiempo de Lectura: 2 minutos
Temas en este post: ,

Algunos de nuestros reconocimientos:

Premios KeepCoding

En otro artículo hemos visto algunas operaciones con tensores, entre ellas la suma y el producto de tensores Hadamard. En este post, veremos cómo se lleva a cabo la división de tensores y el producto tensor. También veremos cómo trabajar tensores con TensorFlow.

Operaciones con tensores

División de tensores

La división de tensores está dada por las siguientes expresiones:

Operaciones con tensores: división
#Operaciones con tensores
A = np.array ([[[1,  2,  3], [4,  5,  6], [7,  8,  9]],
                         [[11,  12,  13], [14,  15,  16], [17,  18,  19]],
                         [[21,  22,  23], [24,  25,  26], [27,  28,  29]]])

B = np.array ([[[1,  2,  3], [4,  5,  6], [7,  8,  9]],
                         [[11,  12,  13], [14,  15,  16], [17,  18,  19]],
                         [[21,  22,  23], [24,  25,  26], [27,  28,  29]]])

C = A / B
print (C)

[[[1. 1. 1.]

[1. 1. 1.]

[1. 1. 1.]]

[[[1. 1. 1.]

[1. 1. 1.]

[1. 1. 1.]]

[[[1. 1. 1.]

[1. 1. 1.]

[1. 1. 1.]]]

print (A.shape)
print (B.shape)
print (C.shape)

(3, 3, 3)

(3, 3, 3)

(3, 3, 3)

Producto tensor

El operador del producto tensor a menudo se denota como un círculo con una pequeña x en el centro: ⦻.

Dado un tensor A con a dimensiones y un tensor B con r dimensiones, el producto de estos tensores será un nuevo tensor con q + r dimensiones.

El producto tensor no se limita a tensores, sino que también se puede realizar en matrices y vectores, que pueden ser un buen lugar para practicar con el fin de desarrollar la intuición para dimensiones superiores.

Producto tensor para vectores

Operaciones con tensores: división y producto tensor

Producto tensor para matrices

Operaciones con tensores: división y producto tensor

Numpy puede realizar el producto tensor usando la función tensordot. La función toma como argumentos los dos tensores a multiplicar y el eje sobre el que se suman los productos, llamada sum reduction. Para calcular el producto tensor, también llamado producto de punto tensor en nympy, el eje debe establecerse en 0.

#Operaciones con tensores
A = np.array ([1,  2])
B = np.array ([3,  4])

C = np.tensordot (A, B, axes = 0)

print (C)

[[3 4]

[6 8]]

#Igual a np.dot (A, B), pero para tensores
#Operaciones con tensores
A = np.array ([[[1,  2,  3], [4,  5,  6], [7,  8,  9]],
                         [[11,  12,  13], [14,  15,  16], [17,  18,  19]],
                         [[21,  22,  23], [24,  25,  26], [27,  28,  29]]])

B = np.array ([[[1,  2,  3], [4,  5,  6], [7,  8,  9]],
                         [[11,  12,  13], [14,  15,  16], [17,  18,  19]],
                         [[21,  22,  23], [24,  25,  26], [27,  28,  29]]])


C = np.tensordot (A, B)
C.shape

(3, 3)

Tensores con TensorFlow

Entre las operaciones con tensores, vamos a ver algunos pequeños ejemplos sobre tensores usando tensorflow:

import tensorflow as tf
import numpy as np
#!pip install tensorflow

Con tf.constant () generamos une scalar tipo int32:

#Operaciones con tensores
rank_tensor = tf.constant (4)
print (rank_0_tensor)

tf.Tensor (4, shape = (), dtype = int32)

Crear un vector

También podemos crear un vector.

Con un axis (axis 1)

#Operaciones con tensores
rank_tensor = tf.constant ([2.0,  3.0,  4.0])
print (rank_1_tensor)

tf.Tensor ([2. 3. 4.], shape = (3, ), dtype = float32)

#Operaciones con tensores
rank_1_tensor.shape

TensorShape ([3])

rank_1_tensor.dtype

tf.float32

0.333152

0.333152

1

1

Con dos axis (axis 2)

#Operaciones con tensores
rank_2_tensor = tf.constant ([1,  2],
                                                   [3,  4],
                                                   [5,  6], dtype = tf.float16)

rank_2_tensor

<tf.Tensor: shape = shape = (3, 2), dtype = float16, numpy =

array ([[1., 2.],

[1., 2.],

[1., 2.]], dtype = float16)>

Operaciones con tensores: división y producto tensor

Con más axis

#Operaciones con tensores
rank_3_tensor = tf.constant ([[[0,  1,  2,  3,  4],
                                                      [5,  6,  7,  8,  9],
                                                    [[10,  11,  12,  13,  14],
                                                     [15,  16,  17,  18,  19],
                                                    [[20,  21,  22,  23,  24],
                                                     [25,  26,  27,  28,  29]]])

rank_3_tensor

<tf.Tensor: shape = (3, 2, 5), dtype = int32, numpy = array(

[[[0, 1, 2, 3, 4],

[5, 6, 7, 8, 9],

[[10, 11, 12, 13, 14],

[15, 16, 17, 18, 19],

[[20, 21, 22, 23, 24],

[25, 26, 27, 28, 29]]])>

Hay muchas formas de visualizar un tensor con 3 axis:

Operaciones con tensores: división y producto tensor

Con np.array () podemos convertir un tensor a una variable de numpy:

#Operaciones con tensores
np.array (rank_2_tensor)
Operaciones con tensores: división y producto tensor
type (np.array (rank_2_tensor))

numpy.ndarray

np.array (rank_2_tensor).shape

(3, 2)

También podemos realizar operaciones matemáticas como suma, resta, multiplicación o división. Incluso podemos realizar otro tipo de operaciones con tensores que son muy usadas, como son:

  • tf.reduce_max () para encontrar el valor más grande.
  • tf.argmax () para encontrar el índice de valor más grande.

¿Quieres seguir aprendiendo?

Si quieres seguir aprendiendo, podrás acceder a una de las disciplinas más demandadas con la guía del Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp, una formación en la que adquirirás todos los conocimientos imprescindibles para obtener el trabajo de tus sueños en pocos meses. ¡Entra ya para solicitar información e impulsa tu futuro!

👉 Descubre más del Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp ¡Descarga el temario!

👉 Prueba el Bootcamp Gratis por una Semana ¡Empieza ahora mismo!

👉 Conoce nuestros otros Bootcamps en Programación y Tecnología

¡CONVOCATORIA ABIERTA!

Big Data, IA & Machine Learning

Full Stack Bootcamp

Clases en Directo | Profesores en Activo | Temario 100% actualizado