Press "Enter" to skip to content

5个简单的步骤掌握Tensorflow的Tensor

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

作者|Orhan G. Yalçın 编译|VK 来源|Towards Datas Science

 

如果你正在读这篇文章,我相信我们有着相似的兴趣,现在/将来也会从事类似的行业。

 

 

在这篇文章中,我们将深入研究Tensorflow Tensor的细节。我们将在以下五个简单步骤中介绍与Tensorflow的Tensor中相关的所有主题:

第一步:张量的定义→什幺是张量?
第二步:创建张量→创建张量对象的函数
第三步:张量对象的特征
第四步:张量操作→索引、基本张量操作、形状操作、广播
第五步:特殊张量

张量的定义:什幺是张量

 

 

张量是TensorFlow的均匀型多维数组。它们非常类似于NumPy数组,并且它们是不可变的,这意味着一旦创建它们就不能被更改。只能使用编辑创建新副本。

 

让我们看看张量如何与代码示例一起工作。但是首先,要使用TensorFlow对象,我们需要导入TensorFlow库。我们经常将NumPy与TensorFlow一起使用,因此我们还可以使用以下行导入NumPy:

 

import tensorflow as tf
import numpy as np

 

张量的创建:创建张量对象

 

有几种方法可以创建tf.Tensor对象。让我们从几个例子开始。可以使用多个TensorFlow函数创建张量对象,如下例所示:

 

# 你可以用`tf.constant`函数创建tf.Tensor对象:
x = tf.constant([[1, 2, 3, 4 ,5]])
# 你可以用`tf.ones`函数创建tf.Tensor对象:
y = tf.ones((1,5))
# 你可以用`tf.zeros`函数创建tf.Tensor对象:
z = tf.zeros((1,5))
# 你可以用`tf.range`函数创建tf.Tensor对象:
q = tf.range(start=1, limit=6, delta=1)
print(x)
print(y)
print(z)
print(q)

 

输出:
tf.Tensor([[1 2 3 4 5]], shape=(1, 5), dtype=int32)
tf.Tensor([[1. 1. 1. 1. 1.]], shape=(1, 5), dtype=float32) 
tf.Tensor([[0. 0. 0. 0. 0.]], shape=(1, 5), dtype=float32) 
tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)

 

如你所见,我们使用三个不同的函数创建了形状(1,5)的张量对象,使用tf.range()函数创建了形状(5,)的第四个张量对象。注意,tf.ones的和tf.zeros接受形状作为必需的参数,因为它们的元素值是预先确定的。

 

张量对象的特征

 

tf.Tensor创建对象,它们有几个特征。首先,他们有维度数量。其次,它们有一个形状,一个由维度的长度组成的列表。所有张量都有一个大小,即张量中元素的总数。最后,它们的元素都被记录在一个统一的数据类型(datatype)中。让我们仔细看看这些特征。

 

维度

 

张量根据其维数进行分类:

Rank-0(标量):包含单个值且没有轴的张量(0维);
Rank-1张量:包含单轴(一维)值列表的张量;
Rank-2张量:包含2个轴(2维)的张量;以及
Rank-N张量:包含N轴的张量(三维)。

 

例如,我们可以通过向tf.constant传递一个三层嵌套的list对象来创建一个Rank-3张量。对于这个例子,我们可以将数字分割成一个3层嵌套的列表,每个层有3个元素:

 

three_level_nested_list = [[[0, 1, 2], 
                             [3, 4, 5]], 
                           [[6, 7, 8], 
                            [9, 10, 11]] ]
rank_3_tensor = tf.constant(three_level_nested_list)
print(rank_3_tensor)

 

Output:
tf.Tensor( [[[ 0  1  2]   
             [ 3  4  5]]   
             
            [[ 6  7  8]   
             [ 9 10 11]]],
  shape=(2, 2, 3), dtype=int32)

 

我们可以查看“rank_3_tensor”对象当前具有“.ndim”属性的维度数。

 

tensor_ndim = rank_3_tensor.ndim
print("The number of dimensions in our Tensor object is", tensor_ndim)

 

Output:
The number of dimensions in our Tensor object is 3

 

形状

 

形状特征是每个张量都具有的另一个属性。它以列表的形式显示每个维度的大小。我们可以查看使用.shape属性创建的rank_3_tensor对象的形状,如下所示:

 

tensor_shape = rank_3_tensor.shape
print("The shape of our Tensor object is", tensor_shape)

 

Output:
The shape of our Tensor object is (2, 2, 3)

 

如你所见,我们的张量在第一层有两个元素,第二层有两个元素,第三层有三个元素。

 

大小

 

大小是张量的另一个特征,它意味着张量有多少个元素。我们不能用张量对象的属性来测量大小。相反,我们需要使用tf.size函数。最后,我们将使用实例函数.NumPy()将输出转换为NumPy,以获得更具可读性的结果:

 

tensor_size = tf.size(rank_3_tensor).numpy()
print("The size of our Tensor object is", tensor_size)

 

Output:
The size of our Tensor object is 12

 

数据类型

 

张量通常包含数字数据类型,如浮点和整数,但也可能包含许多其他数据类型,如复数和字符串。

 

但是,每个张量对象必须将其所有元素存储在一个统一的数据类型中。因此,我们还可以使用.dtype属性查看为特定张量对象选择的数据类型,如下所示:

 

tensor_dtype = rank_3_tensor.dtype
print("The data type selected for this Tensor object is", tensor_dtype)

 

Output:
The data type selected for this Tensor object is <dtype: 'int32'>

 

张量运算

 

索引

 

索引是项目在序列中位置的数字表示。这个序列可以引用很多东西:一个列表、一个字符串或任意的值序列。

 

TensorFlow还遵循标准的Python索引规则,这类似于列表索引或NumPy数组索引。

 

关于索引的一些规则:

 

 

    1. 索引从零(0)开始。

 

    1. 负索引(“-n”)值表示从末尾向后计数。

 

    1. 冒号(“:”)用于切片:开始:停止:步骤。

 

    1. 逗号(“,”)用于达到更深层次。

 

 

让我们用以下几行创建rank_1_tensor:

 

single_level_nested_list = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
rank_1_tensor = tf.constant(single_level_nested_list)
print(rank_1_tensor)

 

Output: 
tf.Tensor([ 0  1  2  3  4  5  6  7  8  9 10 11], 
  shape=(12,), dtype=int32)

 

测试一下我们的规则1,2,3:

 

# 规则1,索引从0开始
print("First element is:",
  rank_1_tensor[0].numpy())

# 规则2,负索引
print("Last element is:",
  rank_1_tensor[-1].numpy())

# 规则3,切片
print("Elements in between the 1st and the last are:",
  rank_1_tensor[1:-1].numpy())

 

Output: 
First element is: 0 
Last element is: 11 
Elements in between the 1st and the last are: [ 1  2  3  4  5  6  7  8  9 10]

 

现在,让我们用以下代码创建rank_2_tensor:

 

two_level_nested_list = [ [0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11] ]
rank_2_tensor = tf.constant(two_level_nested_list)
print(rank_2_tensor)

 

Output:
tf.Tensor( [[ 0  1  2  3  4  5]  
            [ 6  7  8  9 10 11]], shape=(2, 6), dtype=int32)

 

并用几个例子来测试第4条规则:

 

print("The 1st element of the first level is:",
  rank_2_tensor[0].numpy())
print("The 2nd element of the first level is:",
  rank_2_tensor[1].numpy())
# 规则4, 逗号代表进入更深层
print("The 1st element of the second level is:",
  rank_2_tensor[0, 0].numpy())
print("The 3rd element of the second level is:",
  rank_2_tensor[0, 2].numpy())

 

Output: 
The first element of the first level is: [0 1 2 3 4 5] 
The second element of the first level is: [ 6  7  8  9 10 11] 
The first element of the second level is: 0 
The third element of the second level is: 2

 

现在,我们已经介绍了索引的基本知识,让我们看看我们可以对张量进行的基本操作。

 

张量基本运算

 

你可以轻松地对张量进行基本的数学运算,例如:

 

 

    1. 加法

 

    1. 元素乘法

 

    1. 矩阵乘法

 

    1. 求最大值或最小值

 

    1. 找到Max元素的索引

 

    1. 计算Softmax值

 

 

让我们看看这些运算。我们将创建两个张量对象并应用这些操作。

 

a = tf.constant([[2, 4], 
                 [6, 8]], dtype=tf.float32)
b = tf.constant([[1, 3], 
                 [5, 7]], dtype=tf.float32)

 

我们可以从加法开始。

 

# 我们可以使用' tf.add() '函数并将张量作为参数传递。
add_tensors = tf.add(a,b)
print(add_tensors)

 

Output:
tf.Tensor( [[ 3.  7.]  
            [11. 15.]], shape=(2, 2), dtype=float32)

 

乘法

 

# 我们可以使用' tf.multiply() '函数并将张量作为参数传递。
multiply_tensors = tf.multiply(a,b)
print(multiply_tensors)

 

Output:
tf.Tensor( [[ 2. 12.]  
            [30. 56.]], shape=(2, 2), dtype=float32)

 

矩阵乘法:

 

# 我们可以使用' tf.matmul() '函数并将张量作为参数传递。
matmul_tensors = tf.matmul(a,b)
print(matmul_tensors)

 

Output:
tf.Tensor( [[ 2. 12.]  
            [30. 56.]], shape=(2, 2), dtype=float32)

 

注意:Matmul操作是深度学习算法的核心。因此,尽管你不会直接使用matmul,但了解这些操作是至关重要的。

 

我们上面列出的其他操作示例:

 

# 使用' tf.reduce_max() '和' tf.reduce_min() '函数可以找到最大值或最小值
print("The Max value of the tensor object b is:",
  tf.reduce_max(b).numpy())
# 使用' tf.argmax() '函数可以找到最大元素的索引
print("The index position of the max element of the tensor object b is:",
  tf.argmax(b).numpy())
# 使用 tf.nn.softmax'函数计算softmax
print("The softmax computation result of the tensor object b is:",
  tf.nn.softmax(b).numpy())

 

Output:
The Max value of the tensor object b is: 1.0 
The index position of the Max of the tensor object b is: [1 1] 
The softmax computation result of the tensor object b is: [[0.11920291 0.880797  ]  [0.11920291 0.880797  ]]

 

操纵形状

 

就像在NumPy数组和pandas数据帧中一样,你也可以重塑张量对象。

 

这个变形操作非常快,因为底层数据不需要复制。对于重塑操作,我们可以使用tf.reshape函数

 

# 我们的初始张量
a = tf.constant([[1, 2, 3, 4, 5, 6]])
print('The shape of the initial Tensor object is:', a.shape)
b = tf.reshape(a, [6, 1])
print('The shape of the first reshaped Tensor object is:', b.shape)
c = tf.reshape(a, [3, 2])
print('The shape of the second reshaped Tensor object is:', c.shape)
# 如果我们以shape参数传递-1,那幺张量就变平坦化。
print('The shape of the flattened Tensor object is:', tf.reshape(a, [-1]))

 

Output:
The shape of our initial Tensor object is: (1, 6) 
The shape of our initial Tensor object is: (6, 1) 
The shape of our initial Tensor object is: (3, 2) 
The shape of our flattened Tensor object is: tf.Tensor([1 2 3 4 5 6], shape=(6,), dtype=int32)

 

如你所见,我们可以很容易地重塑我们的张量对象。但要注意的是,在进行重塑操作时,开发人员必须是合理的。否则,张量可能会混淆,甚至会产生错误。所以,小心点:grinning:.

 

广播

 

当我们尝试使用多个张量对象进行组合操作时,较小的张量可以自动伸展以适应较大的张量,就像NumPy数组一样。例如,当你尝试将标量张量与秩2张量相乘时,标量将被拉伸以乘以每个秩2张量元素。参见以下示例:

 

m = tf.constant([5])
n = tf.constant([[1,2],[3,4]])
print(tf.multiply(m, n))

 

Output:
tf.Tensor( [[ 5 10]  
            [15 20]], shape=(2, 2), dtype=int32)

 

多亏了广播,在对张量进行数学运算时,你不必担心大小匹配。

 

张量的特殊类型

 

我们倾向于生成矩形的张量,并将数值存储为元素。但是,TensorFlow还支持不规则或特殊的张量类型,这些类型包括:

 

 

    1. 参差不齐的张量

 

    1. 字符串张量

 

    1. 稀疏张量

 

 

 

让我们仔细看看每一个都是什幺。

 

参差不齐的张量

 

参差不齐张量是沿着尺寸轴具有不同数量元素的张量

 

可以构建不规则张量,如下所示

 

ragged_list = [[1, 2, 3],[4, 5],[6]]
ragged_tensor = tf.ragged.constant(ragged_list)
print(ragged_tensor)

 

Output:
<tf.RaggedTensor [[1, 2, 3], 
                  [4, 5], 
                  [6]]>

 

字符串张量

 

字符串张量是存储字符串对象的张量。我们可以建立一个字符串张量,就像你创建一个普通的张量对象。但是,我们将字符串对象作为元素而不是数字对象传递,如下所示:

 

string_tensor = tf.constant(["With this", 
                             "code, I am", 
                             "creating a String Tensor"])
print(string_tensor)

 

Output:
tf.Tensor([b'With this' 
           b'code, I am' 
           b'creating a String Tensor'],
  shape=(3,), dtype=string)

 

稀疏张量

 

最后,稀疏张量是稀疏数据的矩形张量。当数据中有空值时,稀疏张量就是对象。创建稀疏张量有点耗时,应该更主流一些。这里有一个例子:

 

sparse_tensor = tf.sparse.SparseTensor(indices=[[0, 0], [2, 2], [4, 4]], 
                                       values=[25, 50, 100], 
                                       dense_shape=[5, 5])
# 我们可以把稀疏张量转换成密集张量
print(tf.sparse.to_dense(sparse_tensor))

 

Output:
tf.Tensor( [[ 25   0   0   0   0]
            [  0   0   0   0   0]
            [  0   0  50   0   0]
            [  0   0   0   0   0]
            [  0   0   0   0 100]], shape=(5, 5), dtype=int32)

 

结尾

 

我们已经成功地介绍了TensorFlow的张量对象的基础知识。

 

这应该会给你很大的信心,因为你现在对TensorFlow框架的基本知识了解得更多了。

 

查看本教程系列的第1部分: https://link.medium.com/yJp16…

 

原文链接: https://towardsdatascience.co…

 

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注