社交网站的建设现状,网站建设i,泾川县住房和城乡建设局网站,青岛网络优化公司一、张量
张量Tensor 张量是一个多维数组。与NumPy ndarray对象类似#xff0c;tf.Tensor对象也具有数据类型和形状。如下图所示: 此外#xff0c;tf.Tensors可以保留在GPU中。TensorFlow提供了丰富的操作库 (tf.add#xff0c;tf.matmul,tf.linalg.inv等)#xff0c;它们…一、张量
张量Tensor 张量是一个多维数组。与NumPy ndarray对象类似tf.Tensor对象也具有数据类型和形状。如下图所示: 此外tf.Tensors可以保留在GPU中。TensorFlow提供了丰富的操作库 (tf.addtf.matmul,tf.linalg.inv等)它们使用和生成tf.Tensor。在进行张量操作之前先导入相应的工具包:
import tensorflow as tf
import numpy as np 1.1 张量的创建
创建张量
# 创建int32类型的8维张量即标量
rank_0_tensor tf.constant(4)
print(rank__tensor)# 创建float32类型的1维张量
rank_1_tensor tf.constant([2.03.4.0])
print(rank_1_tensor)# 创建float16类型的二维张量
rank_2_tensor tf.constant([[12],[34],[56]]dtypetf.float16)
print(rank_2_tensor) 1.2 转换为numpy 我们可将张量转换为numpy中的ndarray的形式转换方法有两种以张量rank_2_tensor为例:
np.array
np.array(rank_2_tensor)
Tensornumpy()
rank_2_tensor.numpy() 1.3 常用函数 我们可以对张量做一些基本的数学运算包括加法、元素乘法和矩阵乘法等
# 定义张量a和b
a tf.constant([[12],[34])
b tf.constant([[11],[11])print(tf.add(ab)\n) # 计算张量的和
print(tf.multiply(ab)\n) # 计算张量的元素乘法
print(tf.matmul(ab)“\n) # 计算乘法
另外张量也可用于各种聚合运算:
tf.reduce_sum()#求和
tf.reduce_mean()#平均值
tf.reduce_max()#最大值
tf.reduce_min()#最小值
tf.argmax() # 最大值的索引
tf.argmin() # 最小值的索引 1.4 变量
变量是一种特殊的张量形状是不可变但可以更改其中的参数。定义时的方法是:
my_variable tf.Variable([[1.02.0][3.04.0]])
我们也可以获取它的形状类型及转换为ndarray
print(Shape:,my_variable.shape)
print(DType:,my_variable.dtype)
print(As NumPy:“my_variable.numpy)