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 :
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.
行和列的数量在一起定义Tensor的形状.
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.
TensorFlow包含各种尺寸.尺寸在下面简要描述 :
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 :
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
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;
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]] >>>
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
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 :
我们在上面的源代码中创建了多维数组.现在,重要的是要了解我们创建了图形和会话,它们管理Tensors并生成适当的输出.借助图形,我们可以输出指定张量之间的数学计算.