今天就跟大家聊聊有關(guān)掌握Tensorflow的Tensor5個(gè)簡(jiǎn)單的步驟分別是什么，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。
10年積累的成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站經(jīng)驗(yàn)，可以快速應(yīng)對(duì)客戶(hù)對(duì)網(wǎng)站的新想法和需求。提供各種問(wèn)題對(duì)應(yīng)的解決方案。讓選擇我們的客戶(hù)得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識(shí)你，你也不認(rèn)識(shí)我。但先做網(wǎng)站設(shè)計(jì)后付款的網(wǎng)站建設(shè)流程，更有開(kāi)平免費(fèi)網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。
張量是TensorFlow的均勻型多維數(shù)組。它們非常類(lèi)似于NumPy數(shù)組，并且它們是不可變的，這意味著一旦創(chuàng)建它們就不能被更改。只能使用編輯創(chuàng)建新副本。
讓我們看看張量如何與代碼示例一起工作。但是首先，要使用TensorFlow對(duì)象，我們需要導(dǎo)入TensorFlow庫(kù)。我們經(jīng)常將NumPy與TensorFlow一起使用，因此我們還可以使用以下行導(dǎo)入NumPy：
import tensorflow as tf import numpy as np
有幾種方法可以創(chuàng)建tf.Tensor對(duì)象。讓我們從幾個(gè)例子開(kāi)始?？梢允褂枚鄠€(gè)TensorFlow函數(shù)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。
tf.Tensor創(chuàng)建對(duì)象，它們有幾個(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。
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。對(duì)于這個(gè)例子，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)。
重慶分公司
重慶分公司
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。
大小是張量的另一個(gè)特征，它意味著張量有多少個(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
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
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：開(kāi)始：停止：步驟。
逗號(hào)（“，”）用于達(dá)到更深層次。
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)
并用幾個(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)代表進(jìn)入更深層
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。
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 ]]
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?？欤?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。所以，小心點(diǎn)????.
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)
多虧了廣播，在對(duì)張量進(jìn)行數(shù)學(xué)運(yùn)算時(shí)，你不必?fù)?dān)心大小匹配。
我們傾向于生成矩形的張量，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:
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。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)
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)，應(yīng)該更主流一些。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)
看完上述內(nèi)容，你們對(duì)掌握Tensorflow的Tensor5個(gè)簡(jiǎn)單的步驟分別是什么有進(jìn)一步的了解嗎？如果還想了解更多知識(shí)或者相關(guān)內(nèi)容，請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝大家的支持。
