Από τους Αριθμούς στα Τανυστές: Κατανόησε Διανύσματα, Πίνακες και Πολυδιάστατα Δεδομένα

 

Από τους Scalars στους Tensors: Μαθηματική Δομή των Διαστάσεων

Στη σύγχρονη γραμμική άλγεβρα και στην τεχνητή νοημοσύνη, η έννοια της διάστασης γενικεύεται μέσω των τανυστών. Κάθε επίπεδο αποτελεί φυσική επέκταση του προηγούμενου.

1. Scalar (0-D Tensor)

Ένας scalar είναι απλώς ένα στοιχείο του $\mathbb{R}$:

$$ a \in \mathbb{R} $$ Δεν διαθέτει δείκτες και αντιστοιχεί σε τανυστή τάξης 0.

2. Διάνυσμα (Vector)

Ένα διάνυσμα είναι μια συλλογή scalars:

$$ \mathbf{v} = (v_1, v_2, \dots, v_n) $$ ή ισοδύναμα: $$ v_i, \quad i = 1,2,\dots,n $$ Πρόκειται για τανυστή τάξης 1.

3. Πίνακας (Matrix)

Ένας πίνακας είναι δισδιάστατος τανυστής:

$$ A = (a_{ij}), \quad i = 1,\dots,m,\; j = 1,\dots,n $$
Παράδειγμα: $$ A = \begin{bmatrix} a_{11} & a_{12} \\ a_{21} & a_{22} \end{bmatrix} $$

4. Τανυστής Τάξης 3

Ένας τανυστής τριών διαστάσεων περιγράφεται από:

$$ T = (T_{ijk}) $$
όπου: $$ i = 1,\dots,n,\quad j = 1,\dots,m,\quad k = 1,\dots,p $$
Μπορεί να θεωρηθεί ως στοίβα πινάκων.

5. Τανυστής Τάξης 4

Η γενίκευση συνεχίζεται:

$$ \mathcal{T} = (T_{ijkl}) $$
Οι δείκτες αυξάνονται και μαζί τους αυξάνεται η διάσταση του χώρου.

Γενική Μορφή

Ένας τανυστής τάξης $k$ γράφεται:

$$ T_{i_1 i_2 \dots i_k} $$
όπου κάθε δείκτης αντιστοιχεί σε μία διάσταση.

Σύνδεση με Τεχνητή Νοημοσύνη

Στην πράξη:

- Μια εικόνα είναι τανυστής: $$ \text{Image} \in \mathbb{R}^{H \times W \times 3} $$ - Ένα batch εικόνων: $$ \mathbb{R}^{N \times H \times W \times 3} $$ Οι τανυστές αποτελούν τη βασική δομή δεδομένων σε frameworks όπως TensorFlow και PyTorch.

Συμπέρασμα

Η μετάβαση:

$$ \text{Scalar} \rightarrow \text{Vector} \rightarrow \text{Matrix} \rightarrow \text{Tensor} $$
είναι απλώς η σταδιακή αύξηση των δεικτών και των διαστάσεων. Αυτή η ιδέα βρίσκεται στον πυρήνα των σύγχρονων μαθηματικών και της τεχνολογίας.

P

Start Page

Το internet σου, οργανωμένο

Αναζήτηση, bookmarks, δημοφιλή sites — όλα μαζί

Ανακάλυψε το Portify →