TensorFlow - 基础

在本章中，我们将了解 TensorFlow 的基础知识。 我们将从了解张量的数据结构开始。

张量数据结构

张量被用作 TensorFlow 语言中的基本数据结构。 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。 它标识张量的维数。 张量的秩可以描述为定义的张量的阶数或 n 维。

Shape

行数和列数共同定义了张量的形状。

Type

类型描述了分配给张量元素的数据类型。

用户需要考虑以下活动来构建张量 −

• 构建一个 n 维数组
• 转换 n 维数组。

TensorFlow 的各种维度

TensorFlow 包括各种维度。 尺寸在下面简要描述 −

一维张量

一维张量是一种普通的数组结构，它包含一组相同数据类型的值。

声明

>>> import numpy as np
>>> tensor_1d = np.array([1.3, 1, 4.0, 23.99])
>>> print tensor_1d

下面的屏幕截图显示了带有输出的实现 −

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，您需要做的就是提及索引号。

>>> 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"。

下面描述二维张量的创建 −

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)])
>>> print(tensor_2d)
[[ 1 2 3 4]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
>>>

可以借助指定为索引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)
with tf.Session() as sess:
   result1 = sess.run(matrix_product)
   result2 = sess.run(matrix_sum)
   result3 = sess.run(matrix_det)

print (result1)
print (result2)
print (result3)

输出

上面的代码将生成以下输出 −

说明

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，它们管理张量并生成适当的输出。 在图形的帮助下，我们有输出指定张量之间的数学计算。