tf.cast () se utiliza para implementar la conversión de tipo forzada
Usa tf.reduce_min () para encontrar el valor mínimo
en un tensor. Usa tf.reduce_max () para encontrar el valor máximo en un tensor.
Construimos un tensor x1 y lo convertimos en un entero de 32 bits. Su valor mínimo es 1 y su valor máximo es 3.
Axis puede especificar la dirección de operación. Para un tensor bidimensional, si axis = 0, significa operar en la primera dimensión, axis = 1, lo que significa operar en la segunda dimensión. Axis = 0, lo que significa operación vertical , a lo largo de la dirección de longitud Eje = 1, lo que significa operación horizontal, a lo largo de la dirección de latitud
Por ejemplo, podemos controlar la dirección del
promedio ajustando axis = 0 o 1. tf.reduce_mean () es promediar todos los elementos en un vector de dos filas y tres columnas
tf.reduce_sum (x, axis = 1) es a lo largo del eje = 1, que es la dirección horizontal y de latitud. Entonces, la suma de la primera fila es 6 y la suma de la segunda fila es 7.
La función Variable () se puede marcar como "entrenable" como una variable, y la variable marcada por ella registrará la información de gradiente en retropropagación. En el entrenamiento de redes neuronales, esta función se utiliza a menudo para marcar los parámetros a entrenar.
Este ejemplo es el código del parámetro de inicialización de la red neuronal w.
Primero, genere aleatoriamente un número aleatorio de distribución normal y luego marque el número aleatorio generado como entrenable , para que se pueda utilizar en propagación inversa Actualizar el parámetro w mediante el descenso de gradiente
TensorFlow proporciona algunas funciones de cálculo de uso común
, como:
ejemplos de código de suma, resta, multiplicación, división, cuadrado, potencia, raíz cuadrada y multiplicación de matrices :
import tensorflow as tf
a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))
Primero cree un tensor a con una fila y tres columnas, y todos los elementos tienen el valor 1. Crea un tensor b con una fila y tres columnas. El valor de todos los elementos es 3 El
resultado de sumar los elementos correspondientes de ayb es [[4. 4. 4.]] El
resultado de restar los elementos correspondientes de ay b es [[-2. -2. -2.]] El
resultado de multiplicar a por b es [[3. 3. 3.]] El
resultado de dividir b por a es [[3. 3. 3.] ]
import tensorflow as tf
a = tf.fill([1, 2], 3.)
print("a:", a)
print("a的平方:", tf.pow(a, 3))
print("a的平方:", tf.square(a))
print("a的开方:", tf.sqrt(a))
cuadrado () eleva al cuadrado el tensor a, pow () eleva al cuadrado el tensor, sqrt () eleva al cuadrado el tensor
Por ejemplo, para construir un tensor bidimensional a con una fila y dos columnas, el valor de relleno es 3
elevado a 3, que es un tensor bidimensional [[27. 27.]]
cuadrados a, que es un tensor bidimensional [[9. 9.]]
La raíz cuadrada de a es un tensor bidimensional [[1.7320508 1.7320508]]
Utilice la función tf.matmul () para multiplicar la matriz 1 y la matriz 2
import tensorflow as tf
a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
print("a*b:", tf.matmul(a, b))
Por ejemplo, realice la multiplicación de matrices en una matriz a con tres filas y dos columnas y una matriz b con dos filas y tres columnas y una matriz b con
tres filas y tres columnas. El resultado es una matriz con seis filas y tres columnas
[[ 6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]]
Cuando se entrena la red neuronal, las características de entrada y las etiquetas se emparejan y luego se alimentan a la red. TensorFlow proporciona una función para emparejar características y etiquetas from_tensor_slices ()
from_tensor_slices () Esta función es aplicable tanto al formato numérico como al formato tensorial
import tensorflow as tf
features = tf.constant([12, 23, 10, 17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
print(element)
Las características que recopilamos son 12 23 10 17 y la etiqueta correspondiente a cada característica es 0 1 1 0. Puede usar tf.data.Dataset.from_tensor_slices ((características, etiquetas)) para emparejar las características y etiquetas para
ver la ejecución resultados del programa:
La característica de entrada 12 corresponde a la etiqueta 0. Aquí el par 12 y 0.
La característica de entrada 23 corresponde a la etiqueta 1. Aquí, el par 23 y 1.
La característica de entrada 10 corresponde a la etiqueta 1. Aquí, el par 10 y 1 y la
entrada la característica 17 corresponde a la etiqueta 0. Aquí, 17 y 0 están emparejados