Non c’è TensorFlow senza Tensori

Contenuto Panoramica di base Per le forme indicizzazione Manipolazione delle forme Più di DTypes trasmissione tf.convert_to a tensor Tensori di raggio String Tensori risparmiare tensioni Tensori sono array multidimensionali con un tipo uniforme (chiamato un Puoi vedere tutti i supporti di . dtype dtypes tf.dtypes Se sei familiare con Le tensioni sono simili a quelle . Numero np.arrays Tutti i tensori sono immutabili come i numeri e le stringhe di Python: non puoi mai aggiornare il contenuto di un tensore, puoi solo creare un nuovo. import tensorflow as tf import numpy as np 2024-08-15 03:05:18.327501: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:485] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered 2024-08-15 03:05:18.348450: E external/local_xla/xla/stream_executor/cuda/cuda_dnn.cc:8454] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered 2024-08-15 03:05:18.354825: E external/local_xla/xla/stream_executor/cuda/cuda_blas.cc:1452] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered di base In primo luogo, creare alcuni tensori di base. Ecco un tensore "scalar" o "rank-0".Un scalar contiene un singolo valore e nessun "asse". # This will be an int32 tensor by default; see "dtypes" below. rank_0_tensor = tf.constant(4) print(rank_0_tensor) tf.Tensor(4, shape=(), dtype=int32) WARNING: All log messages before absl::InitializeLog() is called are written to STDERR I0000 00:00:1723691120.932442 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.936343 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.940040 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.943264 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.954872 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.958376 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.961894 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.964843 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.967730 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.971300 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.974711 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691120.977717 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.208679 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.210786 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.212791 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.214776 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.216798 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.218734 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.220650 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.222554 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.224486 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.226429 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.228329 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.230251 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.269036 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.271069 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.273006 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.274956 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.276917 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.278854 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.280754 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.282664 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.284613 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.287058 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.289508 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 I0000 00:00:1723691122.291891 176945 cuda_executor.cc:1015] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero. See more at https://github.com/torvalds/linux/blob/v6.0/Documentation/ABI/testing/sysfs-bus-pci#L344-L355 Un tensore "vector" o "rank-1" è come un elenco di valori. Un vettore ha un asse: # Let's make this a float tensor. rank_1_tensor = tf.constant([2.0, 3.0, 4.0]) print(rank_1_tensor) tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32) A "matrix" or "rank-2" tensor has two axes: # If you want to be specific, you can set the dtype (see below) at creation time rank_2_tensor = tf.constant([[1, 2], [3, 4], [5, 6]], dtype=tf.float16) print(rank_2_tensor) tf.Tensor( [[1. 2.] [3. 4.] [5. 6.]], shape=(3, 2), dtype=float16) A scalar, shape: [] A vector, shape: [3] A matrix, shape: [3, 2] Tensors may have more axes; here is a tensor with three axes: # There can be an arbitrary number of # axes (sometimes called "dimensions") rank_3_tensor = tf.constant([ [[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]], [[10, 11, 12, 13, 14], [15, 16, 17, 18, 19]], [[20, 21, 22, 23, 24], [25, 26, 27, 28, 29]],]) print(rank_3_tensor) tf.Tensor( [[[ 0 1 2 3 4] [ 5 6 7 8 9]] [[10 11 12 13 14] [15 16 17 18 19]] [[20 21 22 23 24] [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32) Ci sono molti modi in cui si potrebbe visualizzare un tensore con più di due assi. A 3-axis tensor, shape: [3, 2, 5] Puoi convertire un tensore in un array NumPy utilizzando O il Il metodo: np.array tensor.numpy np.array(rank_2_tensor) array([[1., 2.], [3., 4.], [5., 6.]], dtype=float16) rank_2_tensor.numpy() array([[1., 2.], [3., 4.], [5., 6.]], dtype=float16) I sensori contengono spesso flotti e inc, ma hanno molti altri tipi, tra cui: Numeri complessi Stringe La base La classe richiede che i tensori siano "rettangolari"---cioè, lungo ogni asse, ogni elemento è della stessa dimensione. tf.Tensor Tendenze di tensione risparmiare tensioni Puoi fare la matematica di base sui tensori, tra cui l'aggiunta, la moltiplicazione a forma di elementi e la moltiplicazione di matrice. a = tf.constant([[1, 2], [3, 4]]) b = tf.constant([[1, 1], [1, 1]]) # Could have also said `tf.ones([2,2], dtype=tf.int32)` print(tf.add(a, b), "\n") print(tf.multiply(a, b), "\n") print(tf.matmul(a, b), "\n") tf.Tensor( [[2 3] [4 5]], shape=(2, 2), dtype=int32) tf.Tensor( [[1 2] [3 4]], shape=(2, 2), dtype=int32) tf.Tensor( [[3 3] [7 7]], shape=(2, 2), dtype=int32) print(a + b, "\n") # element-wise addition print(a * b, "\n") # element-wise multiplication print(a @ b, "\n") # matrix multiplication tf.Tensor( [[2 3] [4 5]], shape=(2, 2), dtype=int32) tf.Tensor( [[1 2] [3 4]], shape=(2, 2), dtype=int32) tf.Tensor( [[3 3] [7 7]], shape=(2, 2), dtype=int32) I sensori sono utilizzati in tutti i tipi di operazioni (o "Ops"). c = tf.constant([[4.0, 5.0], [10.0, 1.0]]) # Find the largest value print(tf.reduce_max(c)) # Find the index of the largest value print(tf.math.argmax(c)) # Compute the softmax print(tf.nn.softmax(c)) tf.Tensor(10.0, shape=(), dtype=float32) tf.Tensor([1 0], shape=(2,), dtype=int64) tf.Tensor( [[2.6894143e-01 7.3105854e-01] [9.9987662e-01 1.2339458e-04]], shape=(2, 2), dtype=float32) Nota: In genere, ovunque una funzione TensorFlow si aspetta un Tensor come input, la funzione accetterà anche qualsiasi cosa che possa essere convertita in un Tensor utilizzando tf.convert_to_tensor. In genere, ovunque una funzione TensorFlow si aspetta un come input, la funzione accetterà anche tutto ciò che può essere convertito in un utilizzo Vedi sotto per un esempio. Note: Tensor Tensor tf.convert_to_tensor tf.convert_to_tensor([1,2,3]) tf.reduce_max([1,2,3]) tf.reduce_max(np.array([1,2,3])) A proposito di forme I Tensori hanno forme. Alcuni vocabolari: Forma: La lunghezza (numero di elementi) di ciascuno degli assi di un tensore. Classificazione: Numero di assi tensori.Un scalar ha un grado 0, un vettore ha un grado 1, una matrice ha un grado 2. Asse o dimensione: una particolare dimensione di un tensore. Dimensione: Il numero totale di elementi nel tensore, il prodotto degli elementi del vettore di forma. Nota: Sebbene si possa vedere un riferimento a un "tensore a due dimensioni", un tensore a due dimensioni di solito non descrive uno spazio 2D. Anche se si può vedere un riferimento a un "tensore a due dimensioni", un tensore di grado 2 di solito non descrive uno spazio 2D. Note: Tensori e gli oggetti hanno proprietà convenienti per accedere a questi: tf.TensorShape rank_4_tensor = tf.zeros([3, 2, 4, 5]) A rank-4 tensor, shape: [3, 2, 4, 5] print("Type of every element:", rank_4_tensor.dtype) print("Number of axes:", rank_4_tensor.ndim) print("Shape of tensor:", rank_4_tensor.shape) print("Elements along axis 0 of tensor:", rank_4_tensor.shape[0]) print("Elements along the last axis of tensor:", rank_4_tensor.shape[-1]) print("Total number of elements (3*2*4*5): ", tf.size(rank_4_tensor).numpy()) Type of every element: Number of axes: 4 Shape of tensor: (3, 2, 4, 5) Elements along axis 0 of tensor: 3 Elements along the last axis of tensor: 5 Total number of elements (3*2*4*5): 120 Tuttavia, si noti che il e Gli attributi non tornano oggetti. se avete bisogno di un Utilizzare il o Questa differenza è sottile, ma può essere importante quando si costruiscono grafici (più tardi). Tensor.ndim Tensor.shape Tensor Tensor tf.rank tf.shape tf.rank(rank_4_tensor) tf.shape(rank_4_tensor) Mentre gli assi sono spesso indicati dai loro indici, si dovrebbe sempre tenere traccia del significato di ciascuno. Spesso gli assi sono ordinati da globale a locale: l'asse batch prima, seguita da dimensioni spaziali, e le caratteristiche per ciascuna posizione ultima. Typical axis order indicizzazione Indice di singolo asse TensorFlow segue le regole di indicizzazione standard di Python, simili a , e le regole di base per l'indicizzazione NumPy. Indexare un elenco o una stringa in Python Gli indici iniziano da 0 Gli indici negativi contano indietro dalla fine Colonne, :, sono usate per le fette: start:stop:step rank_1_tensor = tf.constant([0, 1, 1, 2, 3, 5, 8, 13, 21, 34]) print(rank_1_tensor.numpy()) [ 0 1 1 2 3 5 8 13 21 34] L'indice con uno scalare rimuove l'asse: print("First:", rank_1_tensor[0].numpy()) print("Second:", rank_1_tensor[1].numpy()) print("Last:", rank_1_tensor[-1].numpy()) First: 0 Second: 1 Last: 34 Indicizzare con un Lo slice mantiene l'asse: : print("Everything:", rank_1_tensor[:].numpy()) print("Before 4:", rank_1_tensor[:4].numpy()) print("From 4 to the end:", rank_1_tensor[4:].numpy()) print("From 2, before 7:", rank_1_tensor[2:7].numpy()) print("Every other item:", rank_1_tensor[::2].numpy()) print("Reversed:", rank_1_tensor[::-1].numpy()) Everything: [ 0 1 1 2 3 5 8 13 21 34] Before 4: [0 1 1 2] From 4 to the end: [ 3 5 8 13 21 34] From 2, before 7: [1 2 3 5 8] Every other item: [ 0 1 3 8 21] Reversed: [34 21 13 8 5 3 2 1 1 0] Indice multi-asse Tensori di rango superiore sono indicizzati passando indici multipli. Le stesse regole come nel caso di un'asse si applicano a ciascun asse in modo indipendente. print(rank_2_tensor.numpy()) [[1. 2.] [3. 4.] [5. 6.]] Passando un numero intero per ciascun indice, il risultato è uno scalar. # Pull out a single value from a 2-rank tensor print(rank_2_tensor[1, 1].numpy()) You can index using any combination of integers and slices: # Get row and column tensors print("Second row:", rank_2_tensor[1, :].numpy()) print("Second column:", rank_2_tensor[:, 1].numpy()) print("Last row:", rank_2_tensor[-1, :].numpy()) print("First item in last column:", rank_2_tensor[0, -1].numpy()) print("Skip the first row:") print(rank_2_tensor[1:, :].numpy(), "\n") Second row: [3. 4.] Second column: [2. 4. 6.] Last row: [5. 6.] First item in last column: 2.0 Skip the first row: [[3. 4.] [5. 6.]] Here is an example with a 3-axis tensor: print(rank_3_tensor[:, :, 4]) tf.Tensor( [[ 4 9] [14 19] [24 29]], shape=(3, 2), dtype=int32) Selecting the last feature across all locations in each example in the batch Leggi il per imparare come applicare l'indicizzazione per manipolare singoli elementi nei tuoi tensori. Guida alla tensione Manipolazione delle forme Ristrutturare un tensore è di grande utilità. # Shape returns a `TensorShape` object that shows the size along each axis x = tf.constant([[1], [2], [3]]) print(x.shape) (3, 1) # You can convert this object into a Python list, too print(x.shape.as_list()) [3, 1] Puoi trasformare un tensore in una nuova forma. L'operazione è veloce e economica in quanto i dati sottostanti non devono essere duplicati. tf.reshape # You can reshape a tensor to a new shape. # Note that you're passing in a list reshaped = tf.reshape(x, [1, 3]) print(x.shape) print(reshaped.shape) (3, 1) (1, 3) I dati mantengono il loro layout nella memoria e viene creato un nuovo tensore, con la forma richiesta, che indica gli stessi dati. TensorFlow utilizza l'ordine della memoria "row-major" in stile C, dove l'incremento dell'indice più destro corrisponde a un singolo passo nella memoria. print(rank_3_tensor) tf.Tensor( [[[ 0 1 2 3 4] [ 5 6 7 8 9]] [[10 11 12 13 14] [15 16 17 18 19]] [[20 21 22 23 24] [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32) Se si piatta un tensore si può vedere quale ordine è disposto nella memoria. # A `-1` passed in the `shape` argument says "Whatever fits". print(tf.reshape(rank_3_tensor, [-1])) tf.Tensor( [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29], shape=(30,), dtype=int32) L’unico uso ragionevole di è quello di combinare o dividere assi adiacenti (o aggiungere / rimuovere di s). tf.reshape 1 Per questo tensore 3x2x5, la riforma a (3x2)x5 o 3x(2x5) sono entrambe cose ragionevoli da fare, poiché le fette non si mescolano: print(tf.reshape(rank_3_tensor, [3*2, 5]), "\n") print(tf.reshape(rank_3_tensor, [3, -1])) tf.Tensor( [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24] [25 26 27 28 29]], shape=(6, 5), dtype=int32) tf.Tensor( [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19] [20 21 22 23 24 25 26 27 28 29]], shape=(3, 10), dtype=int32) Some good reshapes. La riforma "funziona" per qualsiasi nuova forma con lo stesso numero totale di elementi, ma non farà nulla di utile se non si rispetta l'ordine degli assi. Sostituzione degli assi in non funziona; è necessario per questo. tf.reshape tf.transpose # Bad examples: don't do this # You can't reorder axes with reshape. print(tf.reshape(rank_3_tensor, [2, 3, 5]), "\n") # This is a mess print(tf.reshape(rank_3_tensor, [5, 6]), "\n") # This doesn't work at all try: tf.reshape(rank_3_tensor, [7, -1]) except Exception as e: print(f"{type(e).__name__}: {e}") tf.Tensor( [[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] [[15 16 17 18 19] [20 21 22 23 24] [25 26 27 28 29]]], shape=(2, 3, 5), dtype=int32) tf.Tensor( [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23] [24 25 26 27 28 29]], shape=(5, 6), dtype=int32) InvalidArgumentError: { {function_node __wrapped__Reshape_device_/job:localhost/replica:0/task:0/device:GPU:0} } Input to reshape is a tensor with 30 values, but the requested shape requires a multiple of 7 [Op:Reshape] Some bad reshapes. È possibile eseguire una corsa su forme non completamente specificate. O la forma contiene un (una lunghezza dell'asse è sconosciuta) o l'intera forma è (il livello del tensore è sconosciuto). None None Con l'eccezione di tf.RaggedTensor, tali forme si verificheranno solo nel contesto delle API simboliche di grafo di TensorFlow: tf. funzione Il fuoco funzionale. Più di DTypes Tipi di Per controllare a Il tipo di dati utilizza il delle proprietà. tf.Tensor Tensor.dtype Quando si crea un Da un oggetto Python è possibile specificare opzionalmente il tipo di dati. tf.Tensor Se non lo fai, TensorFlow sceglie un tipo di dati che può rappresentare i tuoi dati. Python, i numeri dei punti galleggianti In caso contrario, TensorFlow utilizza le stesse regole che NumPy utilizza per la conversione in array. tf.int32 tf.float32 Puoi scattare da tipo a tipo. the_f64_tensor = tf.constant([2.2, 3.3, 4.4], dtype=tf.float64) the_f16_tensor = tf.cast(the_f64_tensor, dtype=tf.float16) # Now, cast to an uint8 and lose the decimal precision the_u8_tensor = tf.cast(the_f16_tensor, dtype=tf.uint8) print(the_u8_tensor) tf.Tensor([2 3 4], shape=(3,), dtype=uint8) trasmissione La trasmissione è un concetto preso in prestito dalla In breve, in determinate condizioni, i tensori più piccoli vengono "estesi" automaticamente per adattarsi ai tensori più grandi quando vengono eseguite operazioni combinate su di essi. Funzione equivalente in NumPy Il caso più semplice e comune è quando si tenta di moltiplicare o aggiungere un tensore a uno scalar. In questo caso, lo scalar viene trasmesso per essere la stessa forma dell'altro argomento. x = tf.constant([1, 2, 3]) y = tf.constant(2) z = tf.constant([2, 2, 2]) # All of these are the same computation print(tf.multiply(x, 2)) print(x * y) print(x * z) tf.Tensor([2 4 6], shape=(3,), dtype=int32) tf.Tensor([2 4 6], shape=(3,), dtype=int32) tf.Tensor([2 4 6], shape=(3,), dtype=int32) Allo stesso modo, gli assi di lunghezza 1 possono essere allungati per corrispondere agli altri argomenti. In questo caso una matrice 3x1 è elementalmente moltiplicata da una matrice 1x4 per produrre una matrice 3x4. . [4] # These are the same computations x = tf.reshape(x,[3,1]) y = tf.range(1, 5) print(x, "\n") print(y, "\n") print(tf.multiply(x, y)) tf.Tensor( [[1] [2] [3]], shape=(3, 1), dtype=int32) tf.Tensor([1 2 3 4], shape=(4,), dtype=int32) tf.Tensor( [[ 1 2 3 4] [ 2 4 6 8] [ 3 6 9 12]], shape=(3, 4), dtype=int32) A broadcasted add: a times a gives a [3, 1] [1, 4] [3,4] Ecco la stessa operazione senza trasmissione: x_stretch = tf.constant([[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3]]) y_stretch = tf.constant([[1, 2, 3, 4], [1, 2, 3, 4], [1, 2, 3, 4]]) print(x_stretch * y_stretch) # Again, operator overloading tf.Tensor( [[ 1 2 3 4] [ 2 4 6 8] [ 3 6 9 12]], shape=(3, 4), dtype=int32) La maggior parte del tempo, la trasmissione è efficiente sia nel tempo che nello spazio, poiché l'operazione di trasmissione non materializza mai i tensori espansivi nella memoria. Vedi come funziona la trasmissione . tf.broadcast_to print(tf.broadcast_to(tf.constant([1, 2, 3]), [3, 3])) tf.Tensor( [[1 2 3] [1 2 3] [1 2 3]], shape=(3, 3), dtype=int32) A differenza della matematica, per esempio, Non fa nulla di speciale per salvare la memoria. Qui, stai materializzando il tensore. broadcast_to Può diventare ancora più complicato. Il libro di Jake VanderPlas Mostra più trucchi di trasmissione (di nuovo in NumPy). Questa sezione Il manuale di Python Data Science tf.convert_to a tensor La maggior parte delle opzioni, come e Argomenti di classe Tuttavia, si noterà nel caso di cui sopra, gli oggetti Python a forma di tensori sono accettati. tf.matmul tf.reshape tf.Tensor La maggior parte, ma non tutti, le chiamate di ops C'è un registro di conversioni, e la maggior parte delle classi di oggetti come NumPy's di Le liste di Python, e Tutto si converte automaticamente. convert_to_tensor ndarray TensorShape tf.Variable Questo per ulteriori dettagli, e se hai il tuo tipo ti piacerebbe convertire automaticamente in un tensore. tf.register_tensor_conversion_function Tensori di raggio Un tensore con numeri variabili di elementi lungo alcuni assi è chiamato "ragged". per i dati raccolti. tf.ragged.RaggedTensor Per esempio, questo non può essere rappresentato come un tensore regolare: A , shape: tf.RaggedTensor [4, None] ragged_list = [ [0, 1, 2, 3], [4, 5], [6, 7, 8], [9]] try: tensor = tf.constant(ragged_list) except Exception as e: print(f"{type(e).__name__}: {e}") ValueError: Can't convert non-rectangular Python sequence to Tensor. Invece di creare un utilizzo : tf.RaggedTensor tf.ragged.constant ragged_tensor = tf.ragged.constant(ragged_list) print(ragged_tensor) La forma di un contengono alcune asse con lunghezze sconosciute: tf.RaggedTensor print(ragged_tensor.shape) (4, None) String tensori è a , il che significa che è possibile rappresentare i dati come stringhe (array di byte di lunghezza variabile) nei tensori. tf.string dtype Le stringhe sono atomiche e non possono essere indicizzate come le stringhe di Python. La lunghezza della stringa non è uno degli assi del tensore. funzioni per manipolarli. tf.strings Ecco un tensore di string scalar: # Tensors can be strings, too here is a scalar string. scalar_string_tensor = tf.constant("Gray wolf") print(scalar_string_tensor) tf.Tensor(b'Gray wolf', shape=(), dtype=string) e un vettore di stringhe: A vector of strings, shape: [3,] # If you have three string tensors of different lengths, this is OK. tensor_of_strings = tf.constant(["Gray wolf", "Quick brown fox", "Lazy dog"]) # Note that the shape is (3,). The string length is not included. print(tensor_of_strings) tf.Tensor([b'Gray wolf' b'Quick brown fox' b'Lazy dog'], shape=(3,), dtype=string) Nell’articolo sopra riportato, il Il prefisso indica che dtype non è una stringa unicode, ma una stringa byte. Per saperne di più su come lavorare con il testo unicode in TensorFlow. b tf.string Tutorial di Unicode Se si passano caratteri Unicode essi sono utf-8 codificati. tf.constant("🥳👍") Alcune funzioni di base con string possono essere trovate in Tra cui . tf.strings tf.strings.split # You can use split to split a string into a set of tensors print(tf.strings.split(scalar_string_tensor, sep=" ")) tf.Tensor([b'Gray' b'wolf'], shape=(2,), dtype=string) # ...but it turns into a `RaggedTensor` if you split up a tensor of strings, # as each string might be split into a different number of parts. print(tf.strings.split(tensor_of_strings)) Three strings split, shape: [3, None] e : tf.strings.to_number text = tf.constant("1 10 100") print(tf.strings.to_number(tf.strings.split(text, " "))) tf.Tensor([ 1. 10. 100.], shape=(3,), dtype=float32) Anche se non si può usare Per convertire un tensore di stringa in numeri, puoi convertirlo in byte e poi in numeri. tf.cast byte_strings = tf.strings.bytes_split(tf.constant("Duck")) byte_ints = tf.io.decode_raw(tf.constant("Duck"), tf.uint8) print("Byte strings:", byte_strings) print("Bytes:", byte_ints) Byte strings: tf.Tensor([b'D' b'u' b'c' b'k'], shape=(4,), dtype=string) Bytes: tf.Tensor([ 68 117 99 107], shape=(4,), dtype=uint8) # Or split it up as unicode and then decode it unicode_bytes = tf.constant("アヒル 🦆") unicode_char_bytes = tf.strings.unicode_split(unicode_bytes, "UTF-8") unicode_values = tf.strings.unicode_decode(unicode_bytes, "UTF-8") print("\nUnicode bytes:", unicode_bytes) print("\nUnicode chars:", unicode_char_bytes) print("\nUnicode values:", unicode_values) Unicode bytes: tf.Tensor(b'\xe3\x82\xa2\xe3\x83\x92\xe3\x83\xab \xf0\x9f\xa6\x86', shape=(), dtype=string) Unicode chars: tf.Tensor([b'\xe3\x82\xa2' b'\xe3\x83\x92' b'\xe3\x83\xab' b' ' b'\xf0\x9f\xa6\x86'], shape=(5,), dtype=string) Unicode values: tf.Tensor([ 12450 12498 12523 32 129414], shape=(5,), dtype=int32) Il dtype viene utilizzato per tutti i dati di byte grezzo in TensorFlow. Il modulo contiene funzioni per la conversione dei dati in e da byte, tra cui la decodifica delle immagini e il parsing di csv. tf.string tf.io risparmiare tensioni A volte i dati sono scarsi, come un ampio spazio di incorporazione. e operazioni correlate per memorizzare i dati sparse in modo efficiente. tf.sparse.SparseTensor A , shape: tf.SparseTensor [3, 4] # Sparse tensors store values by index in a memory-efficient manner sparse_tensor = tf.sparse.SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4]) print(sparse_tensor, "\n") # You can convert sparse tensors to dense print(tf.sparse.to_dense(sparse_tensor)) SparseTensor(indices=tf.Tensor( [[0 0] [1 2]], shape=(2, 2), dtype=int64), values=tf.Tensor([1 2], shape=(2,), dtype=int32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64)) tf.Tensor( [[1 0 0 0] [0 0 2 0] [0 0 0 0]], shape=(3, 4), dtype=int32) Originariamente pubblicato sul sito web di TensorFlow, questo articolo appare qui sotto un nuovo titolo ed è concesso in licenza sotto CC BY 4.0. Originariamente pubblicato sul sito web di TensorFlow, questo articolo appare qui sotto un nuovo titolo ed è concesso in licenza sotto CC BY 4.0. Il sito web di TensorFlow