上一节:
下一节:

  TensorFlow - 基础知识

  • 简述

    在本章中，我们将学习 TensorFlow 的基础知识。我们将从了解张量的数据结构开始。

  • 张量数据结构

    张量被用作 TensorFlow 语言中的基本数据结构。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 -

    秩

    张量中描述的维数单位称为秩。它标识张量的维数。张量的秩可以描述为定义的张量的阶数或 n 维。

    形状

    行数和列数共同定义了 Tensor 的形状。

    类型

    类型描述了分配给 Tensor 元素的数据类型。
    用户需要考虑以下活动来构建张量 -
    • 构建一个 n 维数组
    • 转换 n 维数组。
    张量数据结构

  • TensorFlow 的各种维度

    TensorFlow 包括各种维度。尺寸简要描述如下 -

    一维张量

    一维张量是一个普通的数组结构，它包含一组相同数据类型的值。
    Declaration 
    
>>> import numpy as np
>>> tensor_1d = np.array([1.3, 1, 4.0, 23.99])
>>> print tensor_1d
    输出的实现显示在下面的屏幕截图中 -
    一维张量
    元素的索引与 Python 列表相同。第一个元素从索引 0 开始；要通过索引打印值，您需要做的就是提及索引号。 
    
>>> print tensor_1d[0]
1.3
>>> print tensor_1d[2]
4.0
    宣言

  • 二维张量

    数组序列用于创建“二维张量”。
    二维张量的创建描述如下 -
    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)])
>>> print(tensor_2d)
[[ 1 2 3 4]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
>>>
    可以借助指定为索引号的行号和列号来跟踪二维张量的特定元素。 
    
>>> tensor_2d[3][2]
14
    跟踪二维张量

  • 张量处理和操作

    在本节中，我们将了解张量处理和操作。
    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)
with tf.Session() as sess:
   result1 = sess.run(matrix_product)
   result2 = sess.run(matrix_sum)
   result3 = sess.run(matrix_det)
print (result1)
print (result2)
print (result3)
    Output
    上面的代码将生成以下输出 -
    张量处理和操作

    解释

    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，它们管理张量并生成适当的输出。在图的帮助下，我们得到了指定张量之间数学计算的输出。
上一节:
下一节: