2.1 张量与操作

上一页第二章 Tensorflow基础篇 I 下一页2.2 三种定义模型方式

最后更新于4年前

这有帮助吗？

2.1 张量与操作

张量

TensorFlow使用一种叫张量(tensor)的数据结构去定义所有的数据，我们可以把 tensor 看成是 n 维的 array 或者 list。在 TensorFlow 的各部分图形间流动传递的只能是tensor。

编写TensorFlow程序时，操纵并传递的主要对象是tf.Tensor:

一个数据类型（例如 float32，int32，或string）
以及shape

array(numpy)和Tensor(Tensorflow)对比

Numpy

TensorFlow

a = np.zeros((2,2)); b = np.ones((2,2))

a = tf.zeros((2,2)); b = tf.ones((2,2))

np.sum(b,axis=1)

tf.reduce_sum(a,axis=1)

a.shape

a.get_shape()

np.reshape(a,(1,4))

tf.reshape(a,(1,4))

b*5+1

np.dot(a,b)

tf.matmul(a,b)

a[0,0]; a[:,0]; a[0,:]

操作

tf.strings (常用于推荐算法场景、**NLP场景**)
tf.debugging
tf.dtypes
tf.math
tf.random
(常用于结构化数据特征处理)

tf.strings

#字符切割
tf.strings.bytes_split('hello')

#单词切割
tf.strings.split('hello world')

#string hash
tf.strings.to_hash_bucket(['hello','world'], num_buckets=10)

tf.debugging

#tf自带debug函数
a=tf.random.uniform((10,10))
tf.debugging.assert_equal(x=a.shape,y=(10,10))

#错误示范
tf.debugging.assert_equal(x=a.shape,y=(20,10))

tf.random

a = tf.random.uniform(shape=(10,5),minval=0,maxval=10)

tf.math

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

tf.print(tf.math.add(a,b))
tf.print(tf.math.subtract(a,b))
tf.print(tf.math.multiply(a,b))
tf.print(tf.math.divide(a,b))

tf.dtypes

x =tf.constant([1.8,2.2],dtype=tf.float32)

x1=tf.dtypes.cast(x,tf.int32)

上一页第二章 Tensorflow基础篇 I 下一页2.2 三种定义模型方式

最后更新于4年前

这有帮助吗？