Tensori

In ambito di machine learning, un tensore è un tipo di struttura dati multidimensionale utilizzata per rappresentare dati. I tensori sono essenziali nelle librerie di machine learning come PyTorch e TensorFlow, poiché consentono di rappresentare dati in forma di array multidimensionali e di eseguire operazioni matematiche su di essi. In generale, un tensore può essere visto come una generalizzazione delle matrici, poiché può avere qualsiasi numero di dimensioni (ad esempio, scalari, vettori, matrici e tensori di ordine superiore). Esistono due tipi di tensori: statici e dinamici: i tensori statici sono più adatti per operazioni matematiche su dati con dimensioni fisse, mentre i tensori dinamici sono essenziali per la costruzione e l’addestramento di reti neurali che possono avere input di dimensioni variabili.

Tensore Statico

• Le dimensioni del tensore sono fisse durante la sua creazione e non possono essere cambiate.
• È utilizzato in librerie come NumPy per eseguire operazioni matematiche su dati statici.
• È più efficiente in termini di utilizzo della memoria poiché la dimensione è fissa.
• In PyTorch, il tipo di tensore statico è rappresentato dalla classe torch.Tensor, che ha dimensioni fisse definite al momento della creazione.

Ecco un esempio di creazione di un tensore statico in PyTorch:

import torch
 
# Creazione di un tensore statico di forma (2, 3)
static_tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
 
# Stampa del tensore
print(static_tensor)

Tensore Dinamico

• Le dimensioni del tensore possono essere modificate dinamicamente.
• È utilizzato in librerie di deep learning come PyTorch e TensorFlow per costruire e addestrare reti neurali.
• È più flessibile per gestire input di dimensioni variabili.
• In PyTorch, il tipo di tensore dinamico è rappresentato dalla classe torch.Tensor, ma è più comunemente utilizzato con il modulo torch.nn.Module per definire reti neurali.

Ecco un esempio di creazione di un tensore dinamico in PyTorch:

import torch
 
# Creazione di un tensore dinamico
dynamic_tensor = torch.randn(2, 3)  # Creazione di un tensore di forma (2, 3) con valori casuali
 
# Stampa del tensore
print(dynamic_tensor)