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.

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 :

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;

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

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 :

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.