苏州网站开发培训,wordpress-5.6.20,比较好网站制作公司,网站流量带宽目录
一、TensorFlow介绍
二、张量
三、有用的TensorFlow运算符
四、reduce系列函数实现约减
1-第一种理解方式#xff1a;引入轴概念后直观可理
2-第二种理解方式#xff1a;按张量括号层次的方式
参考#xff1a; 一、TensorFlow介绍
TensorFlow是一个强大的用于数…目录
一、TensorFlow介绍
二、张量
三、有用的TensorFlow运算符
四、reduce系列函数实现约减
1-第一种理解方式引入轴概念后直观可理
2-第二种理解方式按张量括号层次的方式
参考 一、TensorFlow介绍
TensorFlow是一个强大的用于数值计算的库特别适合大规模机器学习或者可以将其用于需要大量计算的任何其他场景。TensorFlow是由Google Brain团队开发并未许多Google的大规模服务提供了支持例如Google Cloud Speech、Google Photos和Google Search。它于2015年11月开源现在是最受欢迎的深度学习库。
TensorFlow提供什么
TensorFlow核心与NumPy非常相似但具有GPU支持TensorFlow支持分布式计算跨多个设备和服务器TensorFlow包含一种即时JIT编译器可使其针对速度和内存使用情况来优化计算它的工作方式是从Python函数中提取计算图然后进行优化通过修剪未使用的节点最后有效地运行它通过自动并行运算相互独立的操作计算图可以导出为可移植格式因此那你可以在一个环境中例如Linux上使用Python训练TensorFlow模型然后在另一个环境中例如在Android设备上使用Java运行TensorFlow模型TensorFlow实现了自动微分autodiff并提供了一些优秀的优化器例如RMSProp和Nadam因此你可以轻松地最小化各种损失函数。
TensorFlow使用图Graph来表示计算任务图中的节点Node称为op“operation”的缩写。一个op获得0个或者多个张量执行计算产生0个或者多个张量。每个张量是要给类型化的多维数组。一个TensorFlow图描述了计算的过程。为了进行计算图必须在Session(会话)里被启动。会话将图的op分发到诸如CPU或GPU之类的设备上同时提供执行op的方法。这些方法执行后将所产生的张量返回。
一开始我们需要导入tensorflow这个包为了以后调用tensorflow包中的对象、成员变量和成员函数更加方便我们import tensorflow后面加上了as tf表示以后可以用tf这个简写来代表tensorflow的全名。
#载入库
import tensorflow as tf#显示版本
print(tf.__version__) #注意是version前后都是两个下划线。二、张量
TensorFlow中Tensor意思是“张量”Flow意思是“流或流动”。任意维度的数据可以称为“张量”如一维数组、二维数组、N维数组。它最初想要表达的含义是保持计算节点不变让数据在不同的计算设备上传输并计算。
零阶张量表示标量一个数一阶张量表示一维向量2阶张量表示矩阵n阶张量表示n维数组
张量中并没有真正存储数字它存储的是如何得到这些数字的计算过程。TesorFlow中的张量和NumPy中的数组不同TensorFlow的计算结果不是一个具体的数字而是一个张量的结构。如 a tf.constant([1.0, 2.0], namea)a
tf.Tensor: shape(2,), dtypefloat32, numpyarray([1., 2.], dtypefloat32)print(a)
tf.Tensor([1. 2.], shape(2,), dtypefloat32) 表 张量数据类型 占位符placeholder事先未指定的值个人理解为C语言中对变量使用前进行定义变量variable一个可以改变的值 tf.Variable([[1., 2., 3.],[4., 5., 6]])#matirx
tf.Variable Variable:0 shape(2, 3) dtypefloat32, numpy
array([[1., 2., 3.],[4., 5., 6.]], dtypefloat32)
常量constant一个不可变的值使用tf.constant()创建张量 tf.constant([[1., 2., 3.],[4., 5., 6]]) #矩阵
tf.Tensor: shape(2, 3), dtypefloat32, numpy
array([[1., 2., 3.],[4., 5., 6.]], dtypefloat32)tf.constant(42) #标量
tf.Tensor: shape(), dtypeint32, numpy42 三、有用的TensorFlow运算符
tf.add(x,y) 两个类型相同张量相加xy;tf.subtract(x,y)两个类型相同张量相减x-y;tf.multiply(x,y)两个张量元素相乘tf.pow(x,y)求元素x的y次方tf.exp(x)相当于pow(e,x)其中e为欧拉常数2.718...tf.sqrt(x)相当于pow(x,0.5)tf.div(x,y)两个张量元素相除tf.truediv(x,y)与tf.div相同但将参数转换为浮点数tf.floordiv(x,y)与tf.truediv相同但将最终结果取整tf.mod(x,y)取元素商的余数tf.negative(x)每个元素都取反
四、reduce系列函数实现约减
tf.reduce_mean()tf.reduce_sum()tf.reduce_max()tf.math.log()
约减这一概念的解释可以通过以下两种方法来理解
引入轴的概念0表示垂直方向即沿着行的方向1表示水平方向即沿着列的方向按张量括号层次的方式
其中第一种理解方式简单且直观但是仅限于2维以内的数组当维数超过3时我们很闹找到直观可以理解的方向。
1-第一种理解方式引入轴概念后直观可理 tf.reduce_sum()功能时对张量中的所有元素进行求和它的函数原型如下 reduce_sum( input_tensor, axisNone, keep_dimsFalse, nameNone, reduction_indicesNone) 第一个参数input_tensor时必需的第二个参数axis决定了约减的轴方向 如果axis0则可以简单的将其理解为从垂直方向进行约减也就是说对按行进行处理如果axis1则可以简单的将其理解为从水平方向进行约减也就是说对按列进行处理对张量而言约减可以有先后顺序的。因此axis的值可以是一个向量axis[1,0]表示先水平方向约减再垂直方向约减。反之axis[0,1]表示先垂直方向约减再水平方向约减。如果axis没有指定方向那么将采用默认值None表示所有维度的张量都会被依次约减。个人感觉有点像apply(x,1, function)的感觉。keep_dims为真True则每个维度的张量被约减到长度为1即保留了维度信息。参数name是可选项表示为这个操作取一个名字。参数reduction_indices已经过时它已经完全被axis取代此处保留的目的仅为兼容旧代码。 x tf.constant([[1, 2, 3],[4, 5, 6]])x
tf.Tensor: shape(2, 3), dtypeint32, numpy
array([[1, 2, 3],[4, 5, 6]])tf.reduce_sum(x) #axis取默认值即对两个维度都执行约减
tf.Tensor: shape(), dtypeint32, numpy21tf.reduce_sum(x,0) #axis0
tf.Tensor: shape(3,), dtypeint32, numpyarray([5, 7, 9])tf.reduce_sum(x,1) #axis1
tf.Tensor: shape(2,), dtypeint32, numpyarray([ 6, 15])
2-第二种理解方式按张量括号层次的方式
由于第一种理解方式对三维以上数组的约减没办法找到直观可以理解的方向因此更加普适的解释应该是按张量括号层次的方式来理解。张量括号由外到内对应从小到大的维数最外面的括号为0表示第0维度倒数第二括号记为1表示第1维度以此类推012。。。 ytf.constant([[[1, 1, 1],[2, 2, 2]],[[3, 3, 3],[4, 4, 4]]])y
tf.Tensor: shape(2, 2, 3), dtypeint32, numpy
array([[[1, 1, 1],[2, 2, 2]],[[3, 3, 3],[4, 4, 4]]])tf.reduce_sum(y,0)
tf.Tensor: shape(2, 3), dtypeint32, numpy
array([[4, 4, 4],[6, 6, 6]])tf.reduce_sum(y,1)
tf.Tensor: shape(2, 3), dtypeint32, numpy
array([[3, 3, 3],[7, 7, 7]])tf.reduce_sum(y,2)
tf.Tensor: shape(2, 2), dtypeint32, numpy
array([[ 3, 6],[ 9, 12]])tf.reduce_sum(y,[0,1])
tf.Tensor: shape(3,), dtypeint32, numpyarray([10, 10, 10])tf.reduce_sum(y,[0,1,2])
tf.Tensor: shape(), dtypeint32, numpy30
当axis0时: 当axis1时 当axis2时 总结使用外层括号的进行约减的步骤
根据axis的值将相应的成对括号进行配对括号内的元素表示这个维度下的元素注意这个维度下的元素可以根据相应的成对括号有几对便有几组 计算每组这个维度下元素的和注意这里的元素可以表示标量、矩阵、三维数组、N维数组将每组这个维度下的计算结果放回到原先划分这个维度的元素的位置里同时去掉这个维度的配对的括号。
参考
《深度学习之美AI时代的数据处理与最佳实践》2018年6月出版电子工业出版社这本书是我目前看到的介绍reduce约减最棒的书把约减这个概念介绍的很清楚其他书在介绍约减时很含糊对于初学者不友好。
《机器学习实战基于Scikit-Learn、Keras和TensorFlow原书第2版》2020年10月出版机工社
《Python深度学习基于TensorFlow》(Python深度学习基于TensorFlow)
《TensorFlow机器学习原书第2版》2022年5月出版机工社
