Nėra „TensorFlow“ be jutiklių

Turinio apžvalga Pagrindiniai Apie formas indeksavimas Manipuliuoja formomis Daugiau apie DTypes Transliavimas tf.convert_to į tensor Įtemptas tenisas String tenzoriai Sutaupyti teniso Tenzoriai yra daugialypiai diapazonai, turintys vienodą tipą (vadinamą Galite pamatyti visus palaikytus į . dtype dtypes tf.dtypes Jei esate susipažinę su Tendencijos yra tokios, kaip . Numeris np.arrays Visi tensoriai yra nepakeičiami, kaip ir Python skaičiai ir eilutės: jūs niekada negalite atnaujinti tensoriaus turinio, tik sukurti naują. 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 Pagrindiniai Pirmiausia sukurkite keletą pagrindinių įtampų. Čia yra „skalaras“ arba „rank-0“ tensorius. „skalaras“ turi vieną reikšmę ir jokių „ašių“. # 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 „Vektorius“ arba „rank-1“ tenzorius yra kaip reikšmių sąrašas. # 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) Yra daug būdų, kaip galėtumėte vizualizuoti tensorių su daugiau nei dviem ašimis. A 3-axis tensor, shape: [3, 2, 5] Galite konvertuoti tensorių į NumPy matmenį naudodami Arba į Metodinis metodas : 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) Tenzoriai dažnai turi plūduriuojančius ir inkstus, tačiau jie turi daug kitų tipų, įskaitant: Kompleksiniai skaičiai Stringų bazė klasė reikalauja, kad tensoriai būtų "tiesioginiai"---tai yra, kiekvienoje ašyje, kiekvienas elementas yra to paties dydžio. tf.Tensor Įtempti įtampos Taupyti įtampą Galite atlikti pagrindinę matematiką apie tensorius, įskaitant pridėjimą, elementų dauginimąsi ir matricos dauginimąsi. 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) Tenzoriai naudojami visų rūšių operacijose (arba „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) Pastaba: Paprastai ten, kur funkcija TensorFlow tikisi Tensor kaip įvesties, funkcija taip pat priims viską, ką galima konvertuoti į Tensor naudojant tf.convert_to_tensor. Pastaba: Paprastai ten, kur funkcija TensorFlow tikisi Tensor kaip įvesties, funkcija taip pat priims viską, ką galima konvertuoti į Tensor naudojant 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])) Apie formas Tenzoriai turi formų. Kai kurie žodynai: Forma: Kiekvienos tensoriaus ašies ilgis (elementų skaičius). Skalaras turi reitingą 0, vektoris turi reitingą 1, matrica yra reitingas 2. ašis arba matmuo: tam tikras tensoriaus matmuo. Dydis: Bendras elementų skaičius tensoriuje, formos vektoriaus elementų produktas. Pastaba: Nors galite matyti nuorodą į „dviejų dimensijų tensorių“, rank-2 tensorius paprastai neapibūdina 2D erdvės. Pastaba: Nors galite matyti nuorodą į „dviejų dimensijų tensorių“, rank-2 tensorius paprastai neapibūdina 2D erdvės. Tenzoriai ir objektai turi patogias savybes prieigai prie šių: 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 Tačiau atkreipkite dėmesį, kad ir Atributas negrįžta objektai. jei jums reikia Naudokitės arba Šis skirtumas yra subtilus, tačiau jis gali būti svarbus kuriant grafikus (vėliau). Tensor.ndim Tensor.shape Tensor Tensor tf.rank tf.shape tf.rank(rank_4_tensor) tf.shape(rank_4_tensor) Nors ašys dažnai vadinamos jų indeksais, visada turėtumėte sekti kiekvienos reikšmę.Dažnai ašys yra išdėstytos iš globalios į vietinę: pirmoji partijos ašis, po to erdviniai matmenys, o paskutinės kiekvienos vietos savybės. Typical axis order indeksavimas Vienos ašies indeksavimas TensorFlow seka standartines Python indeksavimo taisykles, panašias į , ir pagrindinės NumPy indeksavimo taisyklės. Indeksuoti sąrašą ar eilutę Python Indeksai prasideda nuo 0 Neigiami rodikliai skaičiuojami atgal nuo pabaigos Kolonos, :, naudojamos skiltelėms: 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] Indeksavimas su skaleriu pašalina ašį: 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 Indeksavimas su a Slice išlaiko ašį: : 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] Daugiasluoksnis indeksavimas Aukštesnės klasės tensoriai yra indeksuojami praleidžiant kelis indeksus. Tos pačios taisyklės, kaip ir vieno ašies atveju, taikomos kiekvienai ašiai atskirai. print(rank_2_tensor.numpy()) [[1. 2.] [3. 4.] [5. 6.]] Praleidžiant visą skaičių kiekvienam indeksui, rezultatas yra skalė. # 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 Skaitykite apie sužinoti, kaip galite taikyti indeksavimą, kad manipuliuotumėte atskirais jūsų tensorių elementais. Tenzorų pjovimo vadovas Manipuliuoja formomis Tenzoriaus pertvarkymas yra labai naudingas. # 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] Galite performuoti įtampą į naują formą. operacija yra greita ir nebrangi, nes pagrindiniai duomenys nereikia dubliuoti. 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) Duomenys išlaiko savo išdėstymą atmintyje ir sukuriamas naujas tensorius su prašoma forma, nukreipdamas į tuos pačius duomenis. „TensorFlow“ naudoja C stiliaus „row-major“ atminties rūšiavimą, kur dešiniojo indekso padidinimas atitinka vieną atminties žingsnį. 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) Jei išlyginate tensorių, galite pamatyti, kokia tvarka jis išdėstytas atmintyje. # 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) Paprastai vienintelis protingas naudojimasis yra sujungti arba padalinti gretimas ašis (arba pridėti / pašalinti ir s). tf.reshape 1 Dėl šio 3x2x5 įtempimo, pertvarkymas į (3x2)x5 arba 3x(2x5) yra abu pagrįsti dalykai, kuriuos reikia padaryti, nes gabalėliai nesimaišo: 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. Performavimas "dirbs" bet kokiai naujai formai su tuo pačiu bendru elementų skaičiumi, tačiau jis nedarys nieko naudingo, jei nesilaikysite ašies tvarkos. Akių keitimas į Tai neveikia; jums reikia Dėl to 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. Galite paleisti ne visiškai apibrėžtas formas. (ašių ilgis nežinomas) arba visa forma yra (Tenzoriaus lygis nėra žinomas) None None Išskyrus tf.RaggedTensor, tokios formos įvyks tik TensorFlow simbolinių grafikos kūrimo API kontekste: TF funkcijos Stiprus funkcinis ugnis. Daugiau apie DTypes Dvynių Patikrinkite a Duomenų tipas Naudokite Nekilnojamojo turto . tf.Tensor Tensor.dtype Kai kuriant a iš Python objekto galite pasirinktinai nurodyti duomenų tipą. tf.Tensor Jei ne, TensorFlow pasirenka duomenų tipą, kuris gali atstovauti jūsų duomenis. Python plūduriuojantys taškų skaičiai Priešingu atveju TensorFlow naudoja tas pačias taisykles, kurias NumPy naudoja konvertuojant į diapazonus. tf.int32 tf.float32 Galite pasirinkti iš tipo į tipą. 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) Transliavimas Transliavimas yra sąvoka, pasiskolinta iš Trumpai tariant, esant tam tikroms sąlygoms, mažesni įtempėjai automatiškai "ištempti", kad atitiktų didesnius įtempėjus, kai jie vykdo kombinuotas operacijas. Lygiavertė funkcija NumPy Paprasčiausias ir labiausiai paplitęs atvejis yra tada, kai bandoma padauginti ar pridėti tensorių į skalę. 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) Panašiai 1 ilgio ašys gali būti ištemptos, kad atitiktų kitus argumentus. Šiuo atveju 3x1 matrica elementiniu būdu padauginama iš 1x4 matricos, kad būtų sukurta 3x4 matrica. . [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] Štai tokia pati operacija be transliacijos: 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) Daugeliu atvejų transliavimas yra efektyvus tiek laiko, tiek erdvėje, nes transliavimo operacija niekada neįgyvendina išplėstų tensorių atmintyje. Jūs matote, kaip atrodo transliacija naudojant . 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) Priešingai nei matematika, Jis nedaro nieko ypatingo, kad išsaugotų atmintį.Čia jūs materializuojate tensorių. broadcast_to Jis gali tapti dar sudėtingesnis. Iš Jake VanderPlas knygos rodo daugiau transliavimo gudrybių (vėl NumPy). Šiame skyriuje Python duomenų mokslo vadovėlis tf.convert_to į tensor Dauguma operatorių, kaip ir Paimkite klasės argumentus Tačiau, jūs pastebėsite aukščiau atveju, Python objektus, suformuotus kaip tensorius, priimami. tf.matmul tf.reshape tf.Tensor Dauguma, bet ne visi, „Ops Call“ Yra konversijų registras, ir dauguma objektų klasių, pvz., NumPy , Python sąrašai ir Visi jie bus konvertuojami automatiškai. convert_to_tensor ndarray TensorShape tf.Variable Štai daugiau informacijos, o jei turite savo tipą, norėtumėte automatiškai konvertuoti į tensorių. tf.register_tensor_conversion_function Įtemptas tenisas Tenzorius su kintamu elementų skaičiumi išilgai tam tikros ašies vadinamas „gąsčiu“. Dėl sugadintų duomenų. tf.ragged.RaggedTensor Pavyzdžiui, tai negali būti pateikta kaip įprastas tensorius: 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. Užuot sukūrę a Naudoti : tf.RaggedTensor tf.ragged.constant ragged_tensor = tf.ragged.constant(ragged_list) print(ragged_tensor) Iš a formos bus keletas ašys su nežinomais ilgio: tf.RaggedTensor print(ragged_tensor.shape) (4, None) String įtampos yra a , tai reiškia, kad galite pateikti duomenis kaip eilutes (kintamosios ilgio baitų diapazonus) tensoriuose. tf.string dtype Strungės yra atominės ir negali būti indeksuojamos taip, kaip yra Python strings. Strengto ilgis nėra viena iš tensoriaus ašies. Užduotys juos manipuliuoti. tf.strings Štai scalar string tensor: # 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) Vektoriaus stringų sąrašas: 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) Aukščiau pateiktame spausdinime Prefiksas rodo, kad dtype nėra unicode eilutė, bet byte eilutė. daugiau apie darbą su Unicode tekstu „TensorFlow“. b tf.string Unicode vadovėlis Jei siunčiate Unicode simbolius, jie yra koduojami UTF-8. tf.constant("🥳👍") Kai kurias pagrindines funkcijas su eilutėmis galima rasti Įskaitant . 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] ir : 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) Nors jūs negalite naudoti Norėdami paversti eilutės tensorių į skaičius, galite jį konvertuoti į bytes, o tada į skaičius. 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) Tų dtype naudojamas visiems „TensorFlow“ žaliųjų baitų duomenims. Modulyje yra funkcijų, skirtų duomenims konvertuoti į ir iš baitų, įskaitant vaizdų dekodavimą ir CSV analizę. tf.string tf.io Taupyti įtampą Kartais jūsų duomenys yra menki, pavyzdžiui, labai plati įterpimo erdvė. TensorFlow palaiko ir susijusias operacijas, kad būtų galima efektyviai saugoti trūkstamus duomenis. 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) Iš pradžių paskelbtas „TensorFlow“ svetainėje, šis straipsnis čia pasirodo pagal naują antraštę ir yra licencijuotas pagal CC BY 4.0. Šis straipsnis pasirodo čia pagal naują antraštę ir yra licencijuotas pagal Kodų pavyzdžiai, bendrinami pagal Originally published on the , TensorFlow svetainė CC BY 4.0. Apache 2.0 License. TensorFlow svetainė

Nėra „TensorFlow“ be jutiklių

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps