婷婷午夜天,欧美精品射精,中文字幕一区二区久久人妻网站,免费黄色成人在线观看,欧美亚洲91,骚逼a v,欧美啪啪啪网站,老女人草逼

在這篇文章中，我們將深入研究Tensorflow Tensor的實(shí)現(xiàn)細(xì)節(jié)。我們將在以下五個(gè)簡(jiǎn)單步驟中介紹與Tensorflow的Tensor中相關(guān)的所有主題：

第一步：張量的定義→什么是張量？
第二步：創(chuàng)建張量→創(chuàng)建張量對(duì)象的函數(shù)
第三步：張量對(duì)象的特征
第四步：張量操作→索引、基本張量操作、形狀操作、廣播
第五步：特殊張量

張量的定義：什么是張量

張量是TensorFlow的均勻型多維數(shù)組，它非常類(lèi)似于NumPy數(shù)組，并且是不可變的，這意味著一旦創(chuàng)建它們就不能被更改。

首先，要使用TensorFlow對(duì)象，我們需要導(dǎo)入TensorFlow庫(kù)，因?yàn)槲覀兘?jīng)常將NumPy與TensorFlow一起使用，因此我們也可以導(dǎo)入NumPy：

import?tensorflow?as?tf
import?numpy?as?np

張量的創(chuàng)建：創(chuàng)建張量對(duì)象

有多種方法可以創(chuàng)建tf.Tensor對(duì)象，同時(shí)也可以使用多個(gè)TensorFlow函數(shù)來(lái)創(chuàng)建張量對(duì)象，如下例所示：

#?你可以用`tf.constant`函數(shù)創(chuàng)建tf.Tensor對(duì)象:
x?=?tf.constant([[1,?2,?3,?4?,5]])
#?你可以用`tf.ones`函數(shù)創(chuàng)建tf.Tensor對(duì)象:
y?=?tf.ones((1,5))
#?你可以用`tf.zeros`函數(shù)創(chuàng)建tf.Tensor對(duì)象:
z?=?tf.zeros((1,5))
#?你可以用`tf.range`函數(shù)創(chuàng)建tf.Tensor對(duì)象:
q?=?tf.range(start=1,?limit=6,?delta=1)

print(x)
print(y)
print(z)
print(q)

輸出：

tf.Tensor([[1?2?3?4?5]],?shape=(1,?5),?dtype=int32)
tf.Tensor([[1.?1.?1.?1.?1.]],?shape=(1,?5),?dtype=float32)?
tf.Tensor([[0.?0.?0.?0.?0.]],?shape=(1,?5),?dtype=float32)?
tf.Tensor([1?2?3?4?5],?shape=(5,),?dtype=int32)

如你所見(jiàn)，我們使用三個(gè)不同的函數(shù)創(chuàng)建了形狀(1,5)的張量對(duì)象，使用tf.range()函數(shù)創(chuàng)建了形狀(5,)的第四個(gè)張量對(duì)象。注意,tf.ones的和tf.zeros接受形狀作為必需的參數(shù)，因?yàn)樗鼈兊脑刂凳穷A(yù)先確定的。

張量對(duì)象的特征

tf.Tensor創(chuàng)建對(duì)象有幾個(gè)特征。首先，他們有維度數(shù)量；其次，它們有一個(gè)形狀，一個(gè)由維度的長(zhǎng)度組成的列表；所有張量都有一個(gè)大小，即張量中元素的總數(shù)；最后，它們的元素都被記錄在一個(gè)統(tǒng)一的數(shù)據(jù)類(lèi)型（datatype）中。讓我們仔細(xì)看看這些特征。

維度

張量根據(jù)其維數(shù)進(jìn)行分類(lèi)：

Rank-0（標(biāo)量）張量：包含單個(gè)值且沒(méi)有軸的張量（0維）；
Rank-1張量：包含單軸（一維）值列表的張量；
Rank-2張量：包含2個(gè)軸（2維）的張量；以及
Rank-N張量：包含N軸的張量（三維）。

例如，我們可以通過(guò)向tf.constant傳遞一個(gè)三層嵌套的list對(duì)象來(lái)創(chuàng)建一個(gè)Rank-3張量。我們可以將數(shù)字分割成一個(gè)3層嵌套的列表，每個(gè)層有3個(gè)元素:

three_level_nested_list?=?[[[0,?1,?2],?
?????????????????????????????[3,?4,?5]],?
???????????????????????????[[6,?7,?8],?
????????????????????????????[9,?10,?11]]?]
rank_3_tensor?=?tf.constant(three_level_nested_list)
print(rank_3_tensor)

Output:
tf.Tensor(?[[[?0??1??2]???
?????????????[?3??4??5]]???
?????????????
????????????[[?6??7??8]???
?????????????[?9?10?11]]],
??shape=(2,?2,?3),?dtype=int32)

我們可以查看“rank_3_tensor”對(duì)象當(dāng)前具有“.ndim”屬性的維度數(shù)。

tensor_ndim?=?rank_3_tensor.ndim
print("The?number?of?dimensions?in?our?Tensor?object?is",?tensor_ndim)

Output:
The?number?of?dimensions?in?our?Tensor?object?is?3

形狀

形狀特征是每個(gè)張量都具有的另一個(gè)屬性，它以列表的形式顯示每個(gè)維度的大小。我們可以查看使用.shape屬性創(chuàng)建的rank_3_tensor對(duì)象的形狀，如下所示：

tensor_shape?=?rank_3_tensor.shape
print("The?shape?of?our?Tensor?object?is",?tensor_shape)

Output:
The?shape?of?our?Tensor?object?is?(2,?2,?3)

如你所見(jiàn)，我們的張量在第一層有兩個(gè)元素，第二層有兩個(gè)元素，第三層有三個(gè)元素。

大小

大小是張量的另一個(gè)特征，它表示張量有多少個(gè)元素。我們不能用張量對(duì)象的屬性來(lái)測(cè)量大小，相反，我們需要使用tf.size函數(shù)。最后，我們將使用實(shí)例函數(shù).NumPy（）將輸出轉(zhuǎn)換為NumPy，以獲得更具可讀性的結(jié)果：

tensor_size?=?tf.size(rank_3_tensor).numpy()
print("The?size?of?our?Tensor?object?is",?tensor_size)

Output:
The?size?of?our?Tensor?object?is?12

數(shù)據(jù)類(lèi)型

張量通常包含數(shù)字?jǐn)?shù)據(jù)類(lèi)型，如浮點(diǎn)和整數(shù)，但也可能包含許多其他數(shù)據(jù)類(lèi)型，如復(fù)數(shù)和字符串。

但是，每個(gè)張量對(duì)象必須將其所有元素存儲(chǔ)在一個(gè)統(tǒng)一的數(shù)據(jù)類(lèi)型中，因此，我們還可以使用.dtype屬性查看為特定張量對(duì)象選擇的數(shù)據(jù)類(lèi)型，如下所示：

tensor_dtype?=?rank_3_tensor.dtype
print("The?data?type?selected?for?this?Tensor?object?is",?tensor_dtype)

Output:
The?data?type?selected?for?this?Tensor?object?is?'int32'>

張量運(yùn)算

索引

索引是項(xiàng)目在序列中位置的數(shù)字表示，這個(gè)序列可以引用很多東西：一個(gè)列表、一個(gè)字符串或任意的值序列。

TensorFlow還遵循標(biāo)準(zhǔn)的Python索引規(guī)則，這類(lèi)似于列表索引或NumPy數(shù)組索引。

關(guān)于索引的一些規(guī)則：

索引從零（0）開(kāi)始。
負(fù)索引（“-n”）值表示從末尾向后計(jì)數(shù)。
冒號(hào)（“：”）用于切片。
逗號(hào)（“，”）用于進(jìn)入更深的維度。

讓我們用以下幾行創(chuàng)建rank_1_tensor：

single_level_nested_list?=?[0,?1,?2,?3,?4,?5,?6,?7,?8,?9,?10,?11]
rank_1_tensor?=?tf.constant(single_level_nested_list)
print(rank_1_tensor)

Output:?
tf.Tensor([?0??1??2??3??4??5??6??7??8??9?10?11],?
??shape=(12,),?dtype=int32)

測(cè)試一下我們的規(guī)則1，2，3：

#?規(guī)則1，索引從0開(kāi)始
print("First?element?is:",
??rank_1_tensor[0].numpy())


#?規(guī)則2，負(fù)索引
print("Last?element?is:",
??rank_1_tensor[-1].numpy())


#?規(guī)則3，切片
print("Elements?in?between?the?1st?and?the?last?are:",
??rank_1_tensor[1:-1].numpy())

Output:?
First?element?is:?0?
Last?element?is:?11?
Elements?in?between?the?1st?and?the?last?are:?[?1??2??3??4??5??6??7??8??9?10]

現(xiàn)在，讓我們用以下代碼創(chuàng)建rank_2_tensor：

two_level_nested_list?=?[?[0,?1,?2,?3,?4,?5],?[6,?7,?8,?9,?10,?11]?]
rank_2_tensor?=?tf.constant(two_level_nested_list)
print(rank_2_tensor)

Output:
tf.Tensor(?[[?0??1??2??3??4??5]??
????????????[?6??7??8??9?10?11]],?shape=(2,?6),?dtype=int32)

用幾個(gè)例子來(lái)測(cè)試第4條規(guī)則：

print("The?1st?element?of?the?first?level?is:",
??rank_2_tensor[0].numpy())

print("The?2nd?element?of?the?first?level?is:",
??rank_2_tensor[1].numpy())

#?規(guī)則4,?逗號(hào)用于進(jìn)入更深的維度
print("The?1st?element?of?the?second?level?is:",
??rank_2_tensor[0,?0].numpy())

print("The?3rd?element?of?the?second?level?is:",
??rank_2_tensor[0,?2].numpy())

Output:?
The?first?element?of?the?first?level?is:?[0?1?2?3?4?5]?
The?second?element?of?the?first?level?is:?[?6??7??8??9?10?11]?
The?first?element?of?the?second?level?is:?0?
The?third?element?of?the?second?level?is:?2

現(xiàn)在，我們已經(jīng)介紹了索引的基本知識(shí)，讓我們看看我們可以對(duì)張量進(jìn)行的基本操作。

張量基本運(yùn)算

你可以輕松地對(duì)張量進(jìn)行基本的數(shù)學(xué)運(yùn)算，例如：

加法
元素乘法
矩陣乘法
求最大值或最小值
找到Max元素的索引
計(jì)算Softmax值

讓我們看看這些運(yùn)算，我們將創(chuàng)建兩個(gè)張量對(duì)象并應(yīng)用這些操作。

a?=?tf.constant([[2,?4],?
?????????????????[6,?8]],?dtype=tf.float32)
b?=?tf.constant([[1,?3],?
?????????????????[5,?7]],?dtype=tf.float32)

我們可以從加法開(kāi)始。

#?我們可以使用' tf.add()?'函數(shù)并將張量作為參數(shù)傳遞。
add_tensors?=?tf.add(a,b)
print(add_tensors)

Output:
tf.Tensor(?[[?3.??7.]??
????????????[11.?15.]],?shape=(2,?2),?dtype=float32)

乘法

#?我們可以使用' tf.multiply()?'函數(shù)并將張量作為參數(shù)傳遞。
multiply_tensors?=?tf.multiply(a,b)
print(multiply_tensors)

Output:
tf.Tensor(?[[?2.?12.]??
????????????[30.?56.]],?shape=(2,?2),?dtype=float32)

矩陣乘法：

#?我們可以使用' tf.matmul()?'函數(shù)并將張量作為參數(shù)傳遞。
matmul_tensors?=?tf.matmul(a,b)
print(matmul_tensors)

Output:
tf.Tensor(?[[?2.?12.]??
????????????[30.?56.]],?shape=(2,?2),?dtype=float32)

注意：Matmul操作是深度學(xué)習(xí)算法的核心，因此，盡管你不會(huì)直接使用matmul，但了解這些操作是至關(guān)重要的。

我們上面列出的其他操作示例：

#?使用'?tf.reduce_max()?'和'?tf.reduce_min()?'函數(shù)可以找到最大值或最小值
print("The?Max?value?of?the?tensor?object?b?is:",
??tf.reduce_max(b).numpy())

#?使用'?tf.argmax()?'函數(shù)可以找到最大元素的索引
print("The?index?position?of?the?max?element?of?the?tensor?object?b?is:",
??tf.argmax(b).numpy())

#?使用?tf.nn.softmax'函數(shù)計(jì)算softmax
print("The?softmax?computation?result?of?the?tensor?object?b?is:",
??tf.nn.softmax(b).numpy())

Output:
The?Max?value?of?the?tensor?object?b?is:?1.0?
The?index?position?of?the?Max?of?the?tensor?object?b?is:?[1?1]?
The?softmax?computation?result?of?the?tensor?object?b?is:?[[0.11920291?0.880797??]??[0.11920291?0.880797??]]

操縱形狀

就像在NumPy數(shù)組和pandas數(shù)據(jù)幀中一樣，你也可以重塑張量對(duì)象。

這個(gè)變形操作非常快，因?yàn)榈讓訑?shù)據(jù)不需要復(fù)制。對(duì)于重塑操作，我們可以使用tf.reshape函數(shù)

#?我們的初始張量
a?=?tf.constant([[1,?2,?3,?4,?5,?6]])
print('The?shape?of?the?initial?Tensor?object?is:',?a.shape)

b?=?tf.reshape(a,?[6,?1])
print('The?shape?of?the?first?reshaped?Tensor?object?is:',?b.shape)

c?=?tf.reshape(a,?[3,?2])
print('The?shape?of?the?second?reshaped?Tensor?object?is:',?c.shape)

#?如果我們以shape參數(shù)傳遞-1，那么張量就變平坦化。
print('The?shape?of?the?flattened?Tensor?object?is:',?tf.reshape(a,?[-1]))

Output:
The?shape?of?our?initial?Tensor?object?is:?(1,?6)?
The?shape?of?our?initial?Tensor?object?is:?(6,?1)?
The?shape?of?our?initial?Tensor?object?is:?(3,?2)?
The?shape?of?our?flattened?Tensor?object?is:?tf.Tensor([1?2?3?4?5?6],?shape=(6,),?dtype=int32)

如你所見(jiàn)，我們可以很容易地重塑我們的張量對(duì)象，但要注意的是，在進(jìn)行重塑操作時(shí)，開(kāi)發(fā)人員的操作必須是合理的，否則，張量可能會(huì)混淆，甚至?xí)a(chǎn)生錯(cuò)誤。

廣播

當(dāng)我們嘗試使用多個(gè)張量對(duì)象進(jìn)行組合操作時(shí)，較小的張量可以自動(dòng)伸展以適應(yīng)較大的張量，就像NumPy數(shù)組一樣。例如，當(dāng)你嘗試將標(biāo)量張量與秩2張量相乘時(shí)，標(biāo)量將被拉伸以乘以每個(gè)秩2張量元素。參見(jiàn)以下示例：

m?=?tf.constant([5])

n?=?tf.constant([[1,2],[3,4]])

print(tf.multiply(m,?n))

Output:
tf.Tensor(?[[?5?10]??
????????????[15?20]],?shape=(2,?2),?dtype=int32)

由于廣播操作，在對(duì)張量進(jìn)行數(shù)學(xué)運(yùn)算時(shí)，我們不必?fù)?dān)心大小匹配。

張量的特殊類(lèi)型

我們常常會(huì)生成矩形張量，并將數(shù)值存儲(chǔ)為元素，但是，TensorFlow還支持不規(guī)則或特殊的張量類(lèi)型，這些類(lèi)型包括：

參差不齊的張量
字符串張量
稀疏張量

讓我們仔細(xì)看看每一個(gè)都是什么。

參差不齊的張量

參差不齊張量是沿著尺寸軸具有不同數(shù)量元素的張量

可以構(gòu)建不規(guī)則張量，如下所示

ragged_list?=?[[1,?2,?3],[4,?5],[6]]

ragged_tensor?=?tf.ragged.constant(ragged_list)

print(ragged_tensor)

Output:
1,?2,?3],?
??????????????????[4,?5],?
??????????????????[6]]>

字符串張量

字符串張量是存儲(chǔ)字符串對(duì)象的張量。我們可以建立一個(gè)字符串張量，就像你創(chuàng)建一個(gè)普通的張量對(duì)象一樣，但是，我們將字符串對(duì)象作為元素而不是數(shù)字對(duì)象傳遞，如下所示：

string_tensor?=?tf.constant(["With?this",?
?????????????????????????????"code,?I?am",?
?????????????????????????????"creating?a?String?Tensor"])

print(string_tensor)

Output:
tf.Tensor([b'With?this'?
???????????b'code,?I?am'?
???????????b'creating?a?String?Tensor'],
??shape=(3,),?dtype=string)

稀疏張量

最后，稀疏張量是稀疏數(shù)據(jù)的矩形張量。當(dāng)數(shù)據(jù)中有空值時(shí)，稀疏張量就是對(duì)象。創(chuàng)建稀疏張量有點(diǎn)耗時(shí)，這里有一個(gè)例子：

sparse_tensor?=?tf.sparse.SparseTensor(indices=[[0,?0],?[2,?2],?[4,?4]],?
???????????????????????????????????????values=[25,?50,?100],?
???????????????????????????????????????dense_shape=[5,?5])

#?我們可以把稀疏張量轉(zhuǎn)換成密集張量
print(tf.sparse.to_dense(sparse_tensor))

Output:
tf.Tensor(?[[?25???0???0???0???0]
????????????[??0???0???0???0???0]
????????????[??0???0??50???0???0]
????????????[??0???0???0???0???0]
????????????[??0???0???0???0?100]],?shape=(5,?5),?dtype=int32)

結(jié)尾

本文我們介紹了TensorFlow的張量對(duì)象的基礎(chǔ)知識(shí)。

這應(yīng)該會(huì)讓你對(duì)TensorFlow框架的基本知識(shí)了解得更多了。

參考鏈接：https://towardsdatascience.com/mastering-tensorflow-tensors-in-5-easy-steps-35f21998bb86

☆ END ☆

↓掃描二維碼添加小編↓

↓掃描二維碼關(guān)注本號(hào)↓

5個(gè)簡(jiǎn)單步驟掌握TensorFlow中的Tensor