TensorFlow教程

TensorFlow - 基础知识

在本章中，我们将了解TensorFlow的基础知识.我们将首先了解张量的数据结构.

张量数据结构

张量用作TensorFlow语言的基本数据结构.张量表示任何称为数据流图的流程图中的连接边.张量被定义为多维数组或列表.

张量由以下三个参数标识 :

Rank

张量中描述的维度单位称为秩.它标识了张量的维数.张量的等级可以描述为定义的张量的阶数或n维.

形状

行和列的数量在一起定义Tensor的形状.

类型

类型描述分配给Tensor元素的数据类型.

用户需要考虑以下活动来构建Tensor :

构建n维数组
转换n维数组.

Tensor数据结构

TensorFlow的各种尺寸

TensorFlow包含各种尺寸.尺寸在下面简要描述 :

一维张量

一维张量是一个正常的阵列结构，它包括一组值相同的数据类型.

声明

 
>>> import numpy as np 
>>> tensor_1d = np.array([1.3,1,4.0,23.99])
>>> print tensor_1d

输出的实现如下面的屏幕截图所示 :

One Dimensional Tensor

元素的索引与Python列表相同.第一个元素以索引0开始;要通过索引打印值，您需要做的只是提及索引号.

 
>>> print tensor_1d [0] 
 1.3 
>>> print tensor_1d [2] 
 4.0

二维张量

数组序列用于创建"二维张量".

二维张量的创建在下面和下面描述;

二维张量

以下是创建二维数组的完整语法 :

 
>>> import numpy as np 
>>> tensor_2d = np.array([(1,2,3,4)，(4,5,6,7)，(8,9,10,11)，(12,13,14,15)])
>>>打印(tensor_2d)
 [[1 2 3 4] 
 [4 5 6 7] 
 [8 9 10 11] 
 [12 13 14 15]] 
 &GT;&GT;&GT;

可以使用指定为索引编号的行号和列号来跟踪二维张量的特定元素.

 
>>> tensor_2d [3] [2] 
 14

二维张量跟踪

张量处理和操作

在本节中，我们将学习张量处理和操作.

首先，让我们考虑以下代码 :

 
 import tensorflow as tf 
 import numpy as np 
 matrix1 = np.array([(2,2,2)，(2,2,2)，(2,2,2)]，dtype ='int32 ')
 matrix2 = np.array([(1,1,1)，(1,1,1)，(1,1,1)]，dtype ='int32')
 print(matrix1)
 print(matrix2)
 matrix1 = tf.constant(matrix1)
 matrix2 = tf.constant(matrix2)
 matrix_product = tf. matmul(matrix1，matrix2)
 matrix_sum = tf.add(matrix1，matrix2)
 matrix_3 = np.array([(2,7,2)，(1,4,2)，(9， 0,2)]，dtype ='float32')
 print(matrix_3)
 matrix_det = tf.matrix_determinant(matrix_3)
 wit h tf.Session()as sess:
 result1 = sess.run(matrix_product)
 result2 = sess.run(matrix_sum)
 result3 = sess.run(matrix_det)
打印(result1)
打印(result2)
打印(result3)

输出

以上代码将生成以下输出 :

Tensor Handling和操作