Što je tenzor u TensorFlowu? Oblik, tip i Operaulagatelji

⚡ Pametni sažetak

Tenzori su n-dimenzionalni nizovi koje svako TensorFlow izračunavanje čita i zapisuje, a svaki nosi naziv, oblik i tip podataka. Ovaj vodič gradi konstante, varijable, rezervirana mjesta i operatore, a zatim ih procjenjuje unutar sesije.

  • 🔘 Tri nekretnine: Svaki tf.Tensor objekt otkriva jedinstveno ime, oblik i dtype.
  • ☑️ Četiri vrste tenzora: tf.constant, tf.Variable, tf.placeholder i tf.SparseTensor pokrivaju klasični API.
  • ✅ Rang je jednak ugniježđivanju: Svaki dodatni par zagrada dodaje jednu dimenziju naboru oblika.
  • 🧪 Odgođena evaluacija: Ispis operacije prikazuje njezinu definiciju, a ne njezinu vrijednost, sve dok je sesija ne pokrene.
  • 🛠️ Grafikon i sesija: Graf sadrži operacije dok ih sesija izvršava i vraća rezultate.
  • ⚠️ Napomena o verziji: Sesije i rezervirana mjesta pripadaju TensorFlowu 1.x i danas se nalaze pod tf.compat.v1.

Osnove TensorFlowa: Tenzor, Oblik, Tip, Sesije i Operaulagatelji

Što je tenzor?

Naziv TensorFlow izveden je izravno iz svog središnjeg objekta: tenzora. U TensorFlowu, svako izračunavanje uključuje tenzore. Tenzor je vektor ili matrica od n dimenzija koja predstavlja sve vrste podataka. Sve vrijednosti u tenzoru imaju identičan tip podataka s poznatim (ili djelomično poznatim) oblikom, a oblik podataka je dimenzionalnost matrice ili polja.

Tenzor može poticati od ulaznih podataka ili od rezultata izračuna. U TensorFlowu, sve operacije se provode unutar grafa. Graf je skup izračuna koji se odvijaju uzastopno. Svaka operacija naziva se op čvor, a čvorovi su međusobno povezani.

Grafikon prikazuje operacije i veze između čvorova. Međutim, ne prikazuje vrijednosti. Rub između čvorova je tenzor, tj. način popunjavanja operacije podacima.

U strojnom učenju, modeli se pune popisom objekata koji se nazivaju vektori značajki. Vektor značajki može biti bilo kojeg tipa podataka i obično je primarni ulaz koji popunjava tenzor. Te vrijednosti teku u op čvor kroz tenzor, a rezultat te operacije stvara novi tenzor, koji se pak koristi u novoj operaciji. Sve te operacije mogu se vidjeti na grafu.

Reprezentacija tenzora

U TensorFlowu, tenzor je skup vektora značajki (tj. niz) od n dimenzija. Na primjer, ako imamo matricu 2×3 s vrijednostima od 1 do 6, zapisat ćemo je kao matricu prikazanu u nastavku:

Matrica dva puta tri koja sadrži vrijednosti od jedan do šest u zagradama

TensorFlow predstavlja ovu matricu kao:

[[1, 2, 3], 
   [4, 5, 6]]

Ako stvorimo trodimenzionalnu matricu s vrijednostima od 1 do 8, isti podaci se crtaju kao kutija s dvije naslagane strane:

Trodimenzionalni tenzor nacrtan kao kutija s vrijednostima od jedan do osam na dvije naslagane strane

TensorFlow predstavlja ovu matricu kao:

[ [[1, 2],  
       [[3, 4],  
       [[5, 6],  
       [[7,8] ]

Napomena: Tenzor se može predstaviti skalarom ili može imati oblik s više od tri dimenzije. Jednostavno je teže vizualizirati više dimenzijske razine.

Vrste tenzora

U TensorFlowu, svi izračuni prolaze kroz jedan ili više tenzora. tf.Tensor je objekt s tri svojstva:

  • Jedinstvena oznaka (ime)
  • Dimenzija (oblik)
  • Vrsta podataka (dtype)

Svaka operacija koju izvodite s TensorFlowom uključuje manipulaciju tenzorom. Postoje četiri glavne vrste tenzora koje možete stvoriti:

  • tf.Variable
  • tf.constant
  • tf.placeholder
  • tf.SparseTensor

U ovom tutorijalu naučit ćete kako stvoriti tf.constant a tf.Variable.

Prije pokretanja koda treba imati na umu jednu stvar: ovaj vodič prati originalni TensorFlow 1.x API, gdje se graf prvo gradi, a zatim izvršava unutar sesije. TensorFlow 2 se prema zadanim postavkama pokreće brzo, pa je nekoliko simbola u nastavku premješteno ili uklonjeno. Svaki od njih je i dalje dostupan putem tf.compat.v1 prostor imena, a tablica svaki preslikava na njegov moderni ekvivalent.

Simbol TensorFlow 1.x Ekvivalent TensorFlow 2
tf.placeholder() Nije obavezno. Prihvaća se brzo izvršenje. Python ili NumPy vrijednosti izravno i tf.function Parametar igra istu ulogu u grafičkom načinu rada.
tf.Session() i sess.run() Izravno pozovite operaciju i pročitajte rezultat ili završite izračun u tf.function.
tf.get_variable() tf.Variable(), s običnim Python predmeti trackraljujte varijable umjesto kolekcija.
tf.global_variables_initializer() Nije potrebno. A tf.Variable inicijalizira se u trenutku stvaranja.
tf.div() tf.divide()Također imajte na umu da je podtraction op se piše tf.subtract(), Ne tf.substract().

Prije nego što prođete kroz tutorial, provjerite jeste li aktivirali conda okruženje u kojem je instaliran TensorFlow. Ovo okruženje se zove hello-tf.

Za macOS Korisnici:

source activate hello-tf

Za Windows Korisnici:

activate hello-tf

Nakon što to učinite, spremni ste za uvoz TensorFlowa.

# Import tf
import tensorflow as tf

Stvorite tenzor n-dimenzije

Počinjete stvaranjem tenzora s jednom dimenzijom, naime skalarom.

Za stvaranje tenzora možete koristiti tf.constant() kao što je prikazano u primjeru oblika tenzora TensorFlow u nastavku:

tf.constant(value, dtype, name = "")
arguments

- `value`: Value of n dimension to define the tensor. Optional
- `dtype`: Define the type of data:    
    - `tf.string`: String variable    
    - `tf.float32`: Float variable    
    - `tf.int16`: Integer variable
- "name": Name of the tensor. Optional. By default, `Const_1:0`

Za stvaranje tenzora dimenzije 0, pokrenite sljedeći kod.

## rank 0
# Default name
r1 = tf.constant(1, tf.int16) 
print(r1)			

Izlaz

Tensor("Const:0", shape=(), dtype=int16)

Tri dijela tog izlaza preslikavaju se na tri svojstva tenzora, kao što jasno pokazuje donja anotirana verzija.

Izlaz tenzora označen je oblačićima koji označavaju naziv, oblik i tip podataka

Tenzoru možete dati i vlastito ime pomoću name argument.

# Named my_scalar
r2 = tf.constant(1, tf.int16, name = "my_scalar") 
print(r2)

Izlaz

Tensor("my_scalar:0", shape=(), dtype=int16)

Svaki tenzor prikazuje se svojim nazivom. Svaki objekt tenzora definiran je atributima kao što su jedinstvena oznaka (naziv), dimenzija (oblik) i tip podataka TensorFlow-a (dtype).

Tenzor možete definirati s decimalnim vrijednostima ili s nizom promjenom vrste podataka.

# Decimal
r1_decimal = tf.constant(1.12345, tf.float32)
print(r1_decimal)
# String
r1_string = tf.constant("Guru99", tf.string)
print(r1_string)

Izlaz

Tensor("Const_1:0", shape=(), dtype=float32)
Tensor("Const_2:0", shape=(), dtype=string)

Tenzor dimenzije 1 može se stvoriti na sljedeći način:

## Rank 1
r1_vector = tf.constant([1,3,5], tf.int16)
print(r1_vector)
r2_boolean = tf.constant([True, True, False], tf.bool)
print(r2_boolean)

Izlaz

Tensor("Const_3:0", shape=(3,), dtype=int16)
Tensor("Const_4:0", shape=(3,), dtype=bool)

Možete primijetiti da se oblik TensorFlow sastoji od samo jednog stupca.

Za stvaranje niza od 2 tenzorske dimenzije, potrebno je zatvoriti zagrade nakon svakog retka. Pogledajte primjer oblika tenzora u nastavku.

## Rank 2
r2_matrix = tf.constant([ [1, 2],
                          [3, 4] ],tf.int16)
print(r2_matrix)

Izlaz

Tensor("Const_5:0", shape=(2, 2), dtype=int16)

Matrica ima 2 retka i 2 stupca ispunjena vrijednostima 1, 2, 3 i 4.

Matrica s 3 dimenzije konstruira se dodavanjem još jedne razine zagrada.

## Rank 3
r3_matrix = tf.constant([ [[1, 2],
                           [3, 4], 
                           [5, 6]] ], tf.int16)
print(r3_matrix)

Izlaz

Tensor("Const_6:0", shape=(1, 3, 2), dtype=int16)

Rezultat odgovara trodimenzionalnom dijagramu kutije prikazanom ranije u ovom vodiču.

Oblik tenzora

Kada ispisujete tenzor, TensorFlow zaključuje oblik. Međutim, oblik možete pročitati izravno pomoću TensorFlowa. shape nekretnine.

U nastavku konstruirate matricu ispunjenu brojevima od 10 do 15 i provjeravate oblik m_shape.

# Shape of tensor
m_shape = tf.constant([ [10, 11],
                        [12, 13],
                        [14, 15] ]                      
                     ) 
m_shape.shape

Izlaz

TensorShape([Dimension(3), Dimension(2)])

Matrica ima 3 retka i 2 stupca.

TensorFlow ima korisne naredbe za stvaranje vektora ili matrice ispunjene s 0 ili 1. Na primjer, ako želite stvoriti 1-D tenzor s određenim oblikom 10, ispunjenim s 0, možete pokrenuti kod u nastavku:

# Create a vector of 0
print(tf.zeros(10))

Izlaz

Tensor("zeros:0", shape=(10,), dtype=float32)

Svojstvo funkcionira i za matricu. Ovdje stvarate matricu 10×10 ispunjenu s 1.

# Create a vector of 1
print(tf.ones([10, 10]))

Izlaz

Tensor("ones:0", shape=(10, 10), dtype=float32)

Oblik dane matrice možete koristiti za izradu vektora jedinica. Matrica m_shape ima dimenzije 3×2, pa sljedeći kod stvara tenzor s 3 reda ispunjena jedinicama:

# Create a vector of ones with the same number of rows as m_shape
print(tf.ones(m_shape.shape[0]))

Izlaz

Tensor("ones_1:0", shape=(3,), dtype=float32)

Ako u zagradu unesete vrijednost 1, konstruirate vektor jedinica jednak broju stupaca u matrici. m_shape.

# Create a vector of ones with the same number of column as m_shape
print(tf.ones(m_shape.shape[1]))

Izlaz

Tensor("ones_2:0", shape=(2,), dtype=float32)

Konačno, možete stvoriti matricu 3×2 ispunjenu isključivo jedinicama.

print(tf.ones(m_shape.shape))

Izlaz

Tensor("ones_3:0", shape=(3, 2), dtype=float32)

Vrsta podataka

Drugo svojstvo tenzora je tip podataka. Tenzor može istovremeno sadržavati samo jedan tip podataka, a taj tip možete pročitati pomoću dtype nekretnine.

print(m_shape.dtype)

Izlaz

<dtype: &#x27;int32'>

U nekim slučajevima želite promijeniti vrstu podataka. U TensorFlowu je to moguće uz pomoć tf.cast metoda.

Primjer

U nastavku se tenzor s float-om pretvara u cijeli broj s cast metoda.

# Change type of data
type_float = tf.constant(3.123456789, tf.float32)
type_int = tf.cast(type_float, dtype=tf.int32)
print(type_float.dtype)
print(type_int.dtype)

Izlaz

<dtype: &#x27;float32'>
<dtype: &#x27;int32'>

TensorFlow automatski odabire vrstu podataka kada argument nije naveden tijekom stvaranja tenzora. TensorFlow pogađa najvjerojatniju vrstu podataka: ako, na primjer, proslijedite tekst, on zaključuje da je to niz.

Stvaranje Operahumka

Neki korisni TensorFlow Operaulagatelji

Znate kako stvoriti tenzor s TensorFlowom. Vrijeme je da naučite izvoditi matematičke operacije.

TensorFlow sadrži sve osnovne operacije. Možete početi s jednostavnom i koristiti TensorFlow metodu za izračunavanje kvadratnog korijena broja. Ova operacija je jednostavna jer je za konstrukciju tenzora potreban samo jedan argument.

Kvadratni korijen broja konstruira se pomoću tf.sqrt(x), gdje je x broj s pomičnim zarezom.

x = tf.constant([2.0], dtype = tf.float32)
print(tf.sqrt(x))

Izlaz

Tensor("Sqrt:0", shape=(1,), dtype=float32)

Napomena: Izlaz je vratio objekt tenzora, a ne kvadratni korijen od 2. U ovom primjeru ispisujete definiciju tenzora, a ne stvarnu evaluaciju operacije. U odjeljku Sesija u nastavku saznat ćete kako TensorFlow izvršava operacije.

Slijedi popis često korištenih operacija. Ideja je ista: svaka operacija zahtijeva jedan ili više argumenata.

  • tf.add(a, b)
  • tf.subtract(a, b)
  • tf.multiply(a, b)
  • tf.divide(a, b)
  • tf.pow(a, b)
  • tf.exp(a)
  • tf.sqrt(a)

Primjer

# Add
tensor_a = tf.constant([[1,2]], dtype = tf.int32)
tensor_b = tf.constant([[3, 4]], dtype = tf.int32)

tensor_add = tf.add(tensor_a, tensor_b)
print(tensor_add)

Izlaz

Tensor("Add:0", shape=(1, 2), dtype=int32)

Code Objašnjenje

Napravite dva tenzora:

  • jedan tenzor s 1 i 2
  • jedan tenzor s 3 i 4

Zbrajate oba tenzora.

Imajte na umu da oba tenzora moraju imati isti oblik. Također možete izvršiti množenje nad dva tenzora.

# Multiply
tensor_multiply = tf.multiply(tensor_a, tensor_b)
print(tensor_multiply)

Izlaz

Tensor("Mul:0", shape=(1, 2), dtype=int32)

Varijable

Do sada ste kreirali samo konstantne tenzore, što je samostalno ograničene upotrebe. Podaci uvijek stižu s različitim vrijednostima, a za to možete koristiti klasu Variable. Varijabla predstavlja čvor čije se vrijednosti mijenjaju tijekom vremena.

Za stvaranje varijable možete koristiti tf.get_variable() metoda.

tf.get_variable(name = "", values, dtype, initializer)
argument
- `name = ""`: Name of the variable
- `values`: Dimension of the tensor
- `dtype`: Type of data. Optional
- `initializer`: How to initialize the tensor. Optional
If initializer is specified, there is no need to include the `values` as the shape of `initializer` is used.

Na primjer, donji kod stvara dvodimenzionalnu varijablu s dvije slučajne vrijednosti. Prema zadanim postavkama, TensorFlow vraća slučajnu vrijednost. Varijablu nazivate var.

# Create a Variable
## Create 2 Randomized values
var = tf.get_variable("var", [1, 2])
print(var.shape)

Izlaz

(1, 2)

U ovom primjeru stvarate varijablu s jednim retkom i dva stupca, pa kao dimenziju varijable prosljeđujete [1, 2].

Početne vrijednosti tenzora također mogu biti nula. Na primjer, kada trenirate model, potrebne su vam početne vrijednosti prije izračuna težine značajki. U nastavku te početne vrijednosti postavljate na nulu.

var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32,  initializer=tf.zeros_initializer)
print(var_init_1.shape)

Izlaz

(1, 2)

Također možete prenijeti vrijednosti konstantnog tenzora u varijablu. Konstantni tenzor stvarate metodom tf.constant() i upotrijebite taj tenzor za inicijalizaciju varijable.

Prve vrijednosti varijable su 10, 20, 30 i 40. Novi tenzor ima oblik 2×2.

# Create a 2x2 matrix
tensor_const = tf.constant([[10, 20],
[30, 40]])
# Initialize the first value of the tensor equals to tensor_const
var_init_2 = tf.get_variable("var_init_2", dtype=tf.int32,  initializer=tensor_const)
print(var_init_2.shape)

Izlaz

(2, 2)

Činovnik

Rezervirano mjesto ima svrhu hranjenja tenzora. Rezervirano mjesto inicijalizira podatke koji će teći unutar tenzora. Za opskrbu rezerviranim mjestom koristi se feed_dict argument, a rezervirano mjesto se unosi samo unutar sesije.

U sljedećem primjeru vidjet ćete kako stvoriti rezervirano mjesto pomoću metode tf.placeholderU odjeljku Sesija naučit ćete kako u rezervirano mjesto unijeti stvarnu vrijednost tenzora.

Sintaksa je:

tf.placeholder(dtype,shape=None,name=None )
arguments:
- `dtype`: Type of data
- `shape`: dimension of the placeholder. Optional. By default, shape of the data
- `name`: Name of the placeholder. Optional			
data_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")
print(data_placeholder_a)

Izlaz

Tensor("data_placeholder_a:0", dtype=float32)

Sjednica

TensorFlow radi oko 3 glavne komponente:

  • Grafikon
  • tenzor
  • Sjednica
Komponente Description
Grafikon Graf je temelj TensorFlowa. Sve matematičke operacije (operacije) izvode se unutar grafa. Graf možete zamisliti kao projekt u kojem se izvodi svaka operacija. Čvorovi predstavljaju te operacije i mogu apsorbirati ili stvarati nove tenzore.
tenzor Tenzor predstavlja podatke koji se prenose između operacija. Već ste vidjeli kako inicijalizirati tenzor. Razlika između konstante i varijable je u tome što se početne vrijednosti varijable mijenjaju tijekom vremena.
Sjednica Sesija izvršava operacije iz grafa. Da biste grafu dodali vrijednosti tenzora, morate otvoriti sesiju. Unutar sesije morate pokrenuti operator za stvaranje izlaza.

Grafovi i sesije su neovisni. Možete pokrenuti sesiju i sačuvati vrijednosti za kasnije daljnje izračune.

U donjem primjeru ćete:

  • Napravite dva tenzora
  • Stvorite operaciju
  • Otvorite sesiju
  • Ispišite rezultat

Korak 1) Stvarate dva tenzora x i y

## Create, run  and evaluate a session
x = tf.constant([2])
y = tf.constant([4])

Korak 2) Operator stvarate množenjem x i y

## Create operator
multiply = tf.multiply(x, y)

Korak 3) Otvarate sesiju. Svi izračuni se događaju unutar sesije, a kada završite, trebate je zatvoriti.

## Create a session to run the code
sess = tf.Session()
result_1 = sess.run(multiply)
print(result_1)
sess.close()

Izlaz

[8]

Code obrazloženje

  • tf.Session()Otvorite sesiju. Sve operacije se odvijaju unutar sesije.
  • run(multiply): izvršiti operaciju kreiranu u koraku 2
  • print(result_1)Na kraju, možete ispisati rezultat
  • close()Zatvori sesiju

Rezultat pokazuje 8, što je množenje x i y.

Drugi način za stvaranje sesije je unutar bloka. Prednost je što se sesija automatski zatvara.

with tf.Session() as sess:
    result_2 = multiply.eval()
print(result_2)

Izlaz

[8]

U kontekstu sesije možete koristiti eval() metoda za izvršavanje operacije. To je ekvivalentno run() i čini kod čitljivijim.

Možete stvoriti sesiju i vidjeti vrijednosti unutar tenzora koje ste do sada stvorili.

## Check the tensors created before
sess = tf.Session()
print(sess.run(r1))
print(sess.run(r2_matrix))
print(sess.run(r3_matrix))

Izlaz

1
[[1 2] 
 [3 4]]
[[[1 2]  
  [3 4]  
  [5 6]]]

Varijable su prema zadanim postavkama prazne, čak i nakon što stvorite tenzor. Varijablu morate inicijalizirati prije nego što je možete koristiti. Objekt tf.global_variables_initializer() se poziva za inicijalizaciju vrijednosti svake varijable odjednom, što je korisno prije treniranja modela.

Možete provjeriti vrijednosti varijabli koje ste prethodno kreirali. Imajte na umu da morate koristiti run za procjenu tenzora.

sess.run(tf.global_variables_initializer())
print(sess.run(var))
print(sess.run(var_init_1))
print(sess.run(var_init_2))

Izlaz

[[-0.05356491  0.75867283]]
[[0 0]]
[[10 20] 
 [30 40]]

Možete upotrijebiti rezervirano mjesto koje ste prethodno kreirali i unijeti stvarnu vrijednost. Podatke morate proslijediti u feed_dict argument.

Na primjer, uzet ćete snagu 2 rezerviranog mjesta data_placeholder_a.

import numpy as np
power_a = tf.pow(data_placeholder_a, 2)
with tf.Session() as sess:
    data = np.random.rand(1, 10)
    print(sess.run(power_a, feed_dict={data_placeholder_a: data}))  # Will succeed.

Code Objašnjenje

  • import numpy as npUvoz numpy biblioteka za stvaranje podataka
  • tf.pow(data_placeholder_a, 2)Stvorite operacije
  • np.random.rand(1, 10): Kreirajte slučajni niz podataka
  • feed_dict={data_placeholder_a: data}U rezervirano mjesto unesite podatke

Izlaz

[[0.05478134 0.27213147 0.8803037  0.0398424  0.21172127 0.01444725  0.02584014 0.3763949  0.66022706 0.7565559 ]]

Grafikon

TensorFlow svaku operaciju prikazuje pomoću sheme protoka podataka. Graf protoka podataka dizajniran je kako bi se prikazale ovisnosti podataka između pojedinačnih operacija. Matematička formula ili algoritam sastoji se od niza uzastopnih operacija, a graf je prikladan način vizualizacije kako su ti izračuni koordinirani.

Graf prikazuje čvorove i bridove. Čvor je prikaz operacije, tj. jedinica izračuna. Brid je tenzor: može proizvesti novi tenzor ili konzumirati ulazne podatke, ovisno o ovisnostima između pojedinačnih operacija.

Struktura grafa povezuje operacije (tj. čvorove) zajedno i pokazuje kako se svaka od njih napaja. Imajte na umu da graf ne prikazuje izlaz operacija; on samo pomaže u vizualizaciji veza među njima.

Pogledajmo primjer. Zamislite da želite procijeniti sljedeću funkciju:

Formula f od x i z jednaka je x puta z plus x na kvadrat plus z plus pet

TensorFlow gradi graf za izvršavanje funkcije. Graf izgleda ovako:

Graf TensorFlowa s varijabilnim čvorovima X i Z koji hrane Mul, Pow i tri operacije zbrajanja

Lako možete vidjeti put kojim će tenzori doći do konačnog odredišta.

Na primjer, add čvor ne može raditi prije oba Mul i Pow su dali svoje rezultate. Grafikon pokazuje da će TensorFlow:

  1. izračunajte x·z u Mul čvor i x² u Pow čvor
  2. zbrojite ta dva rezultata zajedno u add čvor
  3. dodajte z toj sumi u add_1 čvor
  4. dodajte konstantu 5 u add_2 čvor
x = tf.get_variable("x", dtype=tf.int32,  initializer=tf.constant([5]))
z = tf.get_variable("z", dtype=tf.int32,  initializer=tf.constant([6]))
c = tf.constant([5], name =	"constant")
square = tf.constant([2], name =	"square")
f = tf.multiply(x, z) + tf.pow(x, square) + z + c

Code Objašnjenje

  • x: Inicijalizirajte varijablu pod nazivom x s konstantnom vrijednošću 5
  • z: Inicijalizirajte varijablu nazvanu z konstantnom vrijednošću 6
  • c: Inicijalizirajte konstantni tenzor nazvan c konstantnom vrijednošću 5
  • kvadrat: Inicijalizirajte konstantni tenzor koji se zove kvadrat s konstantnom vrijednošću 2
  • f: Konstruirajte operator

U ovom primjeru, vrijednosti varijabli se drže fiksnim. Konstantni tenzor c je konstantni parametar u funkciji f i uzima fiksnu vrijednost 5; na grafu možete vidjeti ovaj parametar u tenzoru nazvan konstanta.

Konstantni tenzor je također kreiran za potenciju u operatoru tf.pow()Nije nužno, ali znači da se eksponent u grafu pojavljuje kao krug nazvan kvadrat.

Iz grafa možete pratiti što se događa s tenzorima i zašto funkcija vraća 66: 5 × 6 plus 5² plus 6 plus 5 jednako je 66.

Donji kod evaluira funkciju unutar sesije.

init = tf.global_variables_initializer() # prepare to initialize all variables
with tf.Session() as sess:
    init.run() # Initialize x and y
    function_result = f.eval()
print(function_result)

Izlaz

[66]

Kratki vodič za osnove TensorFlowa

Četiri tablice u nastavku prikupljaju sve naredbe korištene u ovom vodiču tako da možete potražiti jednu bez pomicanja unatrag kroz primjere.

Napravite konstantni tenzor

konstanta objekt
D0 tf.constant(1, tf.int16)
D1 tf.constant([1,3,5], tf.int16)
D2 tf.constant([ [1, 2], [3, 4] ],tf.int16)
D3 tf.constant([ [[1, 2],[3, 4], [5, 6]] ], tf.int16)

Stvorite operator

Stvorite operator Objekt
a + b tf.add(a, b)
a*b tf.multiply(a, b)

Napravite varijabilni tenzor

Stvorite varijablu objekt
slučajna vrijednost tf.get_variable("var", [1, 2])
početna prva vrijednost tf.get_variable("var_init_2", dtype=tf.int32, initializer=[ [1, 2], [3, 4] ])

Otvorite sesiju

Sjednica objekt
Stvorite sesiju tf.Session()
Pokrenite sesiju tf.Session.run()
Procijenite tenzor variable_name.eval()
Zatvorite sesiju sess.close()
Sesija po bloku with tf.Session() as sess:

Pitanja i odgovori

Sufiks je izlazni indeks operacije koja je proizvela tenzor. Const:0 označava prvi izlaz operacije pod nazivom Const. Operacije s nekoliko izlaza numerirane su s :0, :1 i tako dalje.

Pod zahtjevnim izvršavanjem, pozovite metodu tenzora numpy() ili je proslijedite metodi np.array(). U ovdje prikazanom stilu grafa i sesije, vrijednost koju vraća sess.run() već je numpy polje.

Neravni tenzor sadrži retke različitih duljina, što normalan tenzor ne može. Stvara se pomoću tf.ragged.constant i odgovara podacima promjenjive duljine kao što su rečenice, gdje bi popunjavanje svakog retka na jednu širinu trošilo memoriju.

TensorFlow primjenjuje emitiranje: uspoređuje oblike iz prateće dimenzije unatrag i rasteže bilo koju os duljine jedan kako bi se podudarala. Oblici koji se ne mogu poravnati na ovaj način izazivaju InvalidArgumentError umjesto nagađanja.

TensorFlow automatski postavlja operacije na vidljivi GPU. Za prisilno aktiviranje uređaja, omotajte kod u blok with tf.device('/GPU:0'). Prvo upotrijebite tf.config.list_physical_devices('GPU') kako biste potvrdili da je uređaj zapravo otkriven.

Oba pohranjuju tipizirane n-dimenzionalne podatke, ali tenzor je nepromjenjiv, može postojati na GPU-u ili TPU-u i bilježi operacije primijenjene na njega tako da se mogu izračunati gradijenti. NumPy niz ne radi ništa od te tri stvari.

Statički provjerivači tipova i biblioteke za označavanje oblika uspoređuju deklarirane oblike s operacijama u vašem kodu i označavaju neusklađenosti prije početka izvršavanja. Pomoćnici za uređivanje prikazuju ista upozorenja u tekstu, što uklanja većinu pokušaja i pogrešaka.ping.

GitHub kopilot predlaže brzo prepisivanje koda sesije i rezerviranog mjesta s brzim izvršavanjem. Provjerite svaki prijedlog, jer često predlaže tf.compat.v1 podloge tamo gdje postoji originalna zamjena za TensorFlow 2.

Sažmite ovu objavu uz: