TensorFlow工具快速入門教程7 TensorFlow基礎

摘要： 在機器學習中，模型被提供稱為特徵向量的物件列表。特徵向量可以是任何資料型別。特徵向量通常是填充張量的主要輸入。這些值將通過張量流入op節點，此操作/計算的結果將建立一個新的張量，該張量又將用於新的操作。所有這些操作都可以在圖表中檢視。 張量的表示 在TensorFlow中，張量是n維的...

在機器學習中，模型被提供稱為特徵向量的物件列表。特徵向量可以是任何資料型別。特徵向量通常是填充張量的主要輸入。這些值將通過張量流入op節點，此操作/計算的結果將建立一個新的張量，該張量又將用於新的操作。所有這些操作都可以在圖表中檢視。

張量的表示

在TensorFlow中，張量是n維的特徵向量（即陣列）的集合。例如，2x3矩陣，其值為1到6

TensorFlow將此矩陣表示為：

[[1,2,3]，
[4,5,6]]

如果我們建立一個值為1到8的三維矩陣

TensorFlow將此矩陣表示為：

[[[1,2]，
[[3,4]，
[[5,6]，
[[7,8]]

注意：張量可以用標量表示，也可以有三維以上的形狀。視覺化更高維度級別更加複雜。

張量的型別

張量具有三個屬性的物件：name、shape、dtype

TensorFlow執行的每個操作都涉及張量的操作。您可以建立四個主要張量：tf.Variable，tf.constant，tf.placeholder，tf.SparseTensor

張量的維度

tf.constant的使用說明：

tf.constant(value, dtype, name = "")
arguments

- `value`: Value of n dimension to define the tensor. Optional
- `dtype`: Define the type of data:
- `tf.string`: String variable
- `tf.float32`: Flot variable
- `tf.int16`: Integer variable
- "name": Name of the tensor. Optional. By default, `Const_1:0`

0維，即標量：

>>> r1 = tf.constant(1, tf.int16)
>>> r1
<tf.Tensor 'Const:0' shape=() dtype=int16>

可以給標量取個名字：

>>> r2 = tf.constant(1, tf.int16, name = "my_scalar")
>>> r2
<tf.Tensor 'my_scalar:0' shape=() dtype=int16>
>>> r1_decimal = tf.constant(1.12345, tf.float32)
>>> r1_decimal
<tf.Tensor 'Const_1:0' shape=() dtype=float32>
>>> r1_string = tf.constant("https://china-testing.github.io", tf.string)
>>> r1_string
<tf.Tensor 'Const_2:0' shape=() dtype=string>

維度：

>>> r1_vector = tf.constant([1,3,5], tf.int16)
>>> r1_vector
<tf.Tensor 'Const_3:0' shape=(3,) dtype=int16>
>>> r2_boolean = tf.constant([True, True, False], tf.bool)
>>> r2_boolean
<tf.Tensor 'Const_4:0' shape=(3,) dtype=bool>
>>> r2_matrix = tf.constant([ [1, 2], [3, 4] ],tf.int16)
>>> r2_matrix
<tf.Tensor 'Const_5:0' shape=(2, 2) dtype=int16>
>>> r3_matrix = tf.constant([ [[1, 2], [3, 4], [5, 6]] ], tf.int16)
>>> r3_matrix
<tf.Tensor 'Const_6:0' shape=(1, 3, 2) dtype=int16>

張量的Shape

>>> m_shape = tf.constant([ [10, 11], [12, 13],[14, 15] ] )
>>> m_shape.shape
TensorShape([Dimension(3), Dimension(2)])
>>> tf.zeros(10)
<tf.Tensor 'zeros:0' shape=(10,) dtype=float32>
>>> tf.ones([10, 10])
<tf.Tensor 'ones:0' shape=(10, 10) dtype=float32>
>>> tf.ones(m_shape.shape[0])
<tf.Tensor 'ones_2:0' shape=(3,) dtype=float32>
>>> tf.ones(m_shape.shape[1])
<tf.Tensor 'ones_4:0' shape=(2,) dtype=float32>
>>> tf.ones(m_shape.shape)
<tf.Tensor 'ones_5:0' shape=(3, 2) dtype=float32>

張量的資料型別

>>> m_shape.dtype
tf.int32
>>> type_float = tf.constant(3.123456789, tf.float32)
>>> type_int = tf.cast(type_float, dtype=tf.int32)
>>> type_float.dtype
tf.float32
>>> type_int.dtype
tf.int32

操作

• tf.add(a, b)
• tf.substract(a, b)
• tf.multiply(a, b)
• tf.div(a, b)
• tf.pow(a, b)
• tf.exp(a)
• tf.sqrt(a)

>> tensor_a = tf.constant([[1,2]], dtype = tf.int32)
>>> tensor_b = tf.constant([[3, 4]], dtype = tf.int32)
>>> tensor_add = tf.add(tensor_a, tensor_b)
>>> tensor_add
<tf.Tensor 'Add:0' shape=(1, 2) dtype=int32>
>>> tensor_multiply = tf.multiply(tensor_a, tensor_b)
>>> tensor_multiply
<tf.Tensor 'Mul:0' shape=(1, 2) dtype=int32>

參考資料

• 討論qq群144081101 591302926 567351477 釘釘群21745728
• ofollow,noindex">本文最新版本地址
• 本文涉及的python測試開發庫 謝謝點贊！
• 本文相關海量書籍下載
• 2018最佳人工智慧機器學習工具書及下載(持續更新)

變數

tf.get_variable(name = "", values, dtype, initializer)
argument
- `name = ""`: Name of the variable
- `values`: Dimension of the tensor
- `dtype`: Type of data. Optional
- `initializer`: How to initialize the tensor. Optional
If initializer is specified, there is no need to include the `values` as the shape of `initializer` is used.

>>> var = tf.get_variable("var", [1, 2])
>>> var.shape
TensorShape([Dimension(1), Dimension(2)])
>>> var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32,initializer=tf.zeros_initializer)
>>> var_init_1.shape
TensorShape([Dimension(1), Dimension(2)])
>>> tensor_const = tf.constant([[10, 20], [30, 40]])
>>> var_init_2 = tf.get_variable("var_init_2", dtype=tf.int32,initializer=tensor_const)
>>> print(var_init_2.shape)
(2, 2)

佔位符

tf.placeholder(dtype,shape=None,name=None )
arguments:
- `dtype`: Type of data
- `shape`: dimension of the placeholder. Optional. By default, shape of the data
- `name`: Name of the placeholder. Optional

>>> data_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")
>>> print(data_placeholder_a)
Tensor("data_placeholder_a:0", dtype=float32)

Session

• Graph

  TensorFlow的基礎。 所有數學運算(ops)都在Graph中執行。 您可以將Graph想象為每個操作都已完成的專案。 節點代表這些操作，它們可以吸收或建立新的張量。

• Tensor

張量表示在操作之間進行的資料。 您之前看到過如何初始化張量。 常量和變數之間的差異是變數的初始值將隨時間變化。

• Session

會話將從圖中執行操作。 要使用張量值來提供圖形，您需要開啟會話。 在會話內，執行操作以建立輸出。

>>> x = tf.constant([2])
>>> y = tf.constant([4])
>>> multiply = tf.multiply(x, y)
>>> sess = tf.Session()
2018-11-21 22:41:34.184786: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
>>> result_1 = sess.run(multiply)
>>> print(result_1)
[8]
>>> sess.close()
>>> with tf.Session() as sess:
...result_2 = multiply.eval()
...print(result_2)
...
[8]
>>> sess = tf.Session()
>>> print(sess.run(r1))
1
>>> print(sess.run(r2_matrix))
[[1 2]
 [3 4]]
>>> print(sess.run(r3_matrix))
[[[1 2]
[3 4]
[5 6]]]
>>> sess.run(tf.global_variables_initializer())
>>> print(sess.run(var))
[[ 0.5487809 -0.9846178]]
>>> print(sess.run(var_init_1))
[[0 0]]
>>> print(sess.run(var_init_2))
[[10 20]
 [30 40]]
>>> import numpy as np
>>> power_a = tf.pow(data_placeholder_a, 2)
>>> with tf.Session() as sess:
...data = np.random.rand(1, 10)
...print(sess.run(power_a, feed_dict={data_placeholder_a: data}))# Will succeed.
...
[[0.00214566 0.22329086 0.03267581 0.97980934 0.10616333 0.08555447
0.06780323 0.23336452 0.10076617 0.01539159]]

x = tf.get_variable("x", dtype=tf.int32,initializer=tf.constant([5]))
z = tf.get_variable("z", dtype=tf.int32,initializer=tf.constant([6]))
c = tf.constant([5], name = "constant")
square = tf.constant([2], name ="square")
f = tf.multiply(x, z) + tf.pow(x, square) + z + c
init = tf.global_variables_initializer() # prepare to initialize all variables
with tf.Session() as sess:
init.run() # Initialize x and y
function_result = f.eval()
print(function_result)

執行結果： [66]