91插插,黄色免费网站在线,欧美老妇人与禽交,精品国产三级,激情小说一区,污网站在线免费看,成人精品在线,韩国无码精品久久久

TensorFlow 使用?張量?（Tensor）作為數(shù)據(jù)的基本單位。張量的重要屬性是其形狀、類型和值。可以通過(guò)張量的?shape?、?dtype?屬性和?numpy()?方法獲得。

形狀簡(jiǎn)介

張量有形狀。下面是幾個(gè)相關(guān)術(shù)語(yǔ)：

形狀：張量的每個(gè)維度的長(zhǎng)度（元素?cái)?shù)量）。
秩：張量的維度數(shù)量。標(biāo)量的秩為 0，向量的秩為 1，矩陣的秩為 2。
軸或維度：張量的一個(gè)特殊維度。
大小：張量的總項(xiàng)數(shù)，即乘積形狀向量

tensor?=?tf.zeros([3,?2,?4,?5])

print("Type of every element:", tensor.dtype)print("Number of dimensions:", tensor.ndim)print("Shape of tensor:",tensor.shape)print("Elements along axis 0 of tensor:", tensor.shape[0])print("Elements along the last axis of tensor:", tensor.shape[-1])print("Total number of elements (3*2*4*5): ", tf.size(tensor).numpy())
# outputType of every element: Number of dimensions: 4Shape of tensor: (3, 2, 4, 5)Elements along axis 0 of tensor: 3Elements along the last axis of tensor: 5Total number of elements (3*2*4*5):  120

雖然通常用索引來(lái)指代軸，但是您始終要記住每個(gè)軸的含義。軸一般按照從全局到局部的順序進(jìn)行排序：首先是批次軸，隨后是空間維度，最后是每個(gè)位置的特征。這樣，在內(nèi)存中，特征向量就會(huì)位于連續(xù)的區(qū)域。

索引

單軸索引

TensorFlow 遵循標(biāo)準(zhǔn) Python 索引規(guī)則（類似于在 Python 中為列表或字符串編制索引）以及 NumPy 索引的基本規(guī)則。

索引從?0?開(kāi)始編制
負(fù)索引表示按倒序編制索引
冒號(hào)?:?用于切片?start:stop:step

tensor1 = tf.constant([0, 1, 1, 2, 3, 5, 8, 13, 21, 34])print(tensor1.numpy())
#?output[ 0  1  1  2  3  5  8 13 21 34

使用標(biāo)量編制索引會(huì)移除維度：

print("First:", tensor1[0].numpy())print("Second:", tensor1[1].numpy())print("Last:", tensor1[-1].numpy())
# outputFirst: 0Second: 1Last: 34

使用?:?切片編制索引會(huì)保留維度：

print("Everything:", tensor1[:].numpy())print("Before 4:", tensor1[:4].numpy())print("From 4 to the end:", tensor1[4:].numpy())print("From 2, before 7:", tensor1[2:7].numpy())print("Every other item:", tensor1[::2].numpy())print("Reversed:", tensor1[::-1].numpy())
# output Everything: [ 0  1  1  2  3  5  8 13 21 34]Before 4: [0 1 1 2]From 4 to the end: [ 3  5  8 13 21 34]From 2, before 7: [1 2 3 5 8]Every other item: [ 0  1  3  8 21]Reversed: [34 21 13  8  5  3  2  1  1  0]

多軸索引:

更高秩的張量通過(guò)傳遞多個(gè)索引來(lái)編制索引。

對(duì)于高秩張量的每個(gè)單獨(dú)的軸，遵循與單軸情形完全相同的索引規(guī)則。

tensor2 = tf.constant([[1, 2],                             [3, 4],                             [5, 6]], dtype=tf.float16)print(tensor2.numpy())
# output [[1. 2.] [3. 4.] [5. 6.]]

為每個(gè)索引傳遞一個(gè)整數(shù)，結(jié)果是一個(gè)標(biāo)量。

print(tensor2[1, 1].numpy())
# output4.0

還可以使用整數(shù)與切片的任意組合編制索引：

# Get row and column tensorsprint("Second row:", tensor2[1, :].numpy())print("Second column:", tensor2[:, 1].numpy())print("Last row:", tensor2[-1, :].numpy())print("First item in last column:", tensor2[0, -1].numpy())print("Skip the first row:")print(tensor2[1:, :].numpy(), "\n")
# outputSecond row: [3. 4.]Second column: [2. 4. 6.]Last row: [5. 6.]First item in last column: 2.0Skip the first row:[[3. 4.]?[5.?6.]]?

下面是一個(gè) 3 軸張量的示例：

tensor3 = 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]],])
print(tensor3)
# outputtf.Tensor([[[ 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]]], shape=(3, 2, 5), dtype=int32)

選擇批次中每個(gè)示例的所有位置的最后一個(gè)特征：

print(tensor3[:, :, 4]
# outputtf.Tensor([[ 4  9] [14 19] [24 29]], shape=(3, 2), dtype=int32)

參考文獻(xiàn)：文檔主要參考TensorFlow官網(wǎng)

點(diǎn)擊上方“藍(lán)字”關(guān)注本公眾號(hào)

?END

掃碼關(guān)注

微信號(hào)｜sdxx_rmbj

【TensorFlow】筆記：基礎(chǔ)知識(shí)-張量操作（二）

多軸索引: