TensorFlow – это библиотека машинного обучения с открытым исходным кодом, созданная Google. Он предоставляет широкий спектр инструментов для создания и развертывания моделей машинного обучения.
При работе с TensorFlow в первую очередь используются тензоры.
Итак, начнем с тензоров
По определению:-
Тензоры являются фундаментальными аспектами TensorFlow. Они являются основными объектами, которые передаются и манипулируются в рамках всей программы. Каждый тензор представляет собой частично определенное вычисление, которое в конечном итоге даст значение.
Итак, теперь перейдем к более интересным частям, например к тому, как тензоры выглядят в коде.
Сначала импортируйте библиотеку Tensor Flow.
import tensorflow as tf print(tf.version)
Пример создания тензора
string=tf.Variable("My First Tensor",tf.string)
number=tf.Variable(324,tf.int16)
floating=tf.Variable(2.567,tf.float64)
В приведенном выше коде «tf.string», «tf.int16», «tf.float64» — это DataType тензоров.
Теперь мы поговорим о другом параметре тензоров, т.е. Shape.
Форма тензора — это просто количество элементов, существующих в каждом измерении.
tensor_shape1=tf.Variable(["Shivang", "Sharma"],tf. string) tensor_shape2=tf.Variable([["shivang","sharma"],["Software","Developer"]],tf.string)
Чтобы определить форму тензора, мы можем вызвать следующий метод
tensor_shape1.shape tensor_shape2.shape
Теперь мы перешли к рангу/степени тензоров.
Судя по названию, вы думаете, что это размерность тензора.
Так что Вы правы, это точно так же.
Для определения ранга тензора можно вызвать следующий метод.
TensorFlow.rank(tensorName) rank1_tensor=tf.Variable(["Test","Ok"],tf.string) rank2_tensor=tf.Variable([["test","ok"],["Test","yes"]],tf.string) tf.rank(rank1_tensor) tf.rank(rank2_tensor)
Теперь мы рассмотрим изменение формы тензора.
Пример 1:-
tensor1=tf.ones([1,2,3])
В приведенном выше коде мы предоставляем shape для tensor1, т.е. [1,2,3]и внимательно смотрим на форму и преобразуем ее в простой язык, он говорит, что tensor1 должен иметь 1 список, который должен иметь 2 lists, и эти 2 списка имеют 3 элемента, а tf.ones передают, что все элементы равны 1 в этом тензоре.
Теперь посмотрите вывод
Пример 2:-
tensor2=tf.reshape(tensor1,[3,-1])
При изменении формы, если есть «-1», мы должны следовать приведенному ниже подходу.
tensor1 имеет 6 элементов, а «3» показывает, что у него 3 списка, и вопрос в том, сколько элементов в каждом списке?
Всего элементов = 6, поэтому в каждом списке должно быть 2 элемента, что означает, что форма тензора [3,2]
Давайте перейдем к следующей концепции тензора
Оценка тензора
Во-первых, Зачем нам оценивать тензор?
В TensorFlow тензоры являются основными строительными блоками вычислений, а значения тензоров используются в различных операциях, таких как обучение модели, прогнозирование или выполнение вычислений. Без оценки тензора значения тензоров были бы неизвестны, и операции не могли бы выполняться.
Оценка тензора также играет важную роль в отладке модели. Вычисляя тензор в различных точках кода, вы можете проверить значения тензоров и убедиться, что они являются ожидаемыми значениями. Это может помочь выявить ошибки или понять поведение модели, что делает его важным шагом в процессе разработки.
Как мы оцениваем тензор?
with tf.Session() as sess: tensor.eval()
Вот несколько заключительных фактов о Tensor!
- Все тензоры неизменяемы, за исключением переменных тензоров, означающих, что их значение не может измениться во время выполнения.
- Типы тензоров: - Переменная, Константа, PlaceHolder, SparseTensor.
TensorBasicWithCode:- https://colab.research.google.com/drive/1LtLwDqRgeWOLeFwtd3RgUW0wqSwUCSjC?usp=sharing
Если у вас есть комментарии или вопросы, напишите их в комментариях.
Вы также можете связаться со мной в Linkedin
Рад быть полезным. респект…..
