TensorFlow基礎

在本章中，我們將了解TensorFlow的基礎知識，將從理解張量的資料結構開始。

張量資料結構

張量(tensor)用作TensorFlow語言中的基本資料結構。張量表示任何稱為資料流圖的流程圖中的連線邊。張量也可以定義為多維陣列或列表。

通過以下三個引數識別張量 -

秩
張量中描述的維度單位稱為秩，它標識了張量的維數。張量的等級可以描述為定義的張量的階數或n維。

形狀

行數和列數一起定義了Tensor的形狀。

型別

Type描述分配給Tensor元素的資料型別。

使用者需要考慮以下活動來構建Tensor -

• 構建一個n維陣列
• 轉換n維陣列。

TensorFlow的各種尺度

TensorFlow包括各種尺度。尺度簡述如下 -

一維張量

一維張量是正常的陣列結構，其包括一組相同資料型別的值。

宣告

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

輸出如下面的螢幕截圖所示 -

元素的索引與Python列表相同。第一個元素以索引0開始; 要通過索引列印值，只需要指定索引號。

>>> print tensor_1d[0]
1.3
>>> print tensor_1d[2]
4.0

二維張量

陣列序列用於建立「二維張量」。二維張量的建立如下所述，以下是建立二維陣列的完整語法 -

>>> 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]]
>>>

可以在指定索引號的行號和列號來跟蹤二維張量的特定元素。

>>> tensor_2d[3][2]
14

張量處理和操作

在本節中，我們將了解Tensor處理和操作。

首先，閱讀並試著理解以下程式碼 -

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)

執行上面範例程式碼，得到以下結果：

說明

上面的原始碼中建立了多維陣列。重要的是要了解建立的圖形和對談，它們管理Tensors並生成適當的輸出。在圖形的幫助下，輸出了指定Tensors之間的數學計算。