Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lære Datatyper | Tensorer
Introduktion til Tensorflow

Datatyper

Datatyper

I dette afsnit udforskes begrebet datatyper i TensorFlow. Ligesom programmeringssprog kategoriserer tal og tekst i typer som heltal, flydende tal eller strenge, har tensorer i TensorFlow også specifikke typer.

Tilgængelige datatyper i TensorFlow

TensorFlow understøtter et væld af datatyper til forskellige slags data og operationer. Nogle af de mest anvendte typer er:

  • tf.float16, tf.float32, tf.float64: flydende tal, hvor cifrene efter kommaet har betydning. Tallet i navnet (som 16 i tf.float16) angiver antal bits. tf.float32 bruges ofte, da det giver en god balance mellem præcision og beregningshastighed;

  • tf.int8, tf.int16, tf.int32, tf.int64: heltalstyper, tal uden decimaler. De kan være både positive og negative;

  • tf.uint8, tf.uint16, tf.uint32, tf.uint64: 'u' står her for 'unsigned', hvilket betyder, at disse heltal altid er ikke-negative;

  • tf.bool: repræsenterer booleske værdier (True eller False);

  • tf.string: til tekstdata.

Note
Bemærk

For heltalstyper betyder et større tal i navnet kun et bredere interval af værdier, som den kan gemme. Men for flydetyper angiver et højere tal i navnet også større beregningsnøjagtighed.

Der findes flere datatyper i TensorFlow, men for begyndere er det vigtigt først at blive fortrolig med disse primære typer. For en komplet liste over datatyper, der understøttes af TensorFlow, kan du se denne specifikke side i TensorFlow-dokumentationen.

Angivelse af datatype ved oprettelse af en tensor

Når du initialiserer en tensor, kan du angive dens type ved hjælp af argumentet dtype:


              
123456789101112

            
import tensorflow as tf

# Creating a tensor of type `float16`
tensor_float = tf.constant([1.2, 2.3, 3.4], dtype=tf.float16)

# Creating a tensor of type `int64`
tensor_int = tf.constant([1, 2, 3], dtype=tf.int64)

# Display tensors
print(tensor_float)
print('-' * 50)
print(tensor_int)
Note
Bemærk

Mange tensor-oprettelsesfunktioner anvender denne tilgang. Det gælder for metoder som tf.Variable(), tf.zeros(), tf.ones(), tf.random.normal(), tf.random.uniform() og endda i tf.convert_to_tensor().

Konvertering mellem datatyper

Men hvad hvis den funktion, du bruger, ikke tillader direkte angivelse af datatype? Eller måske har du allerede en tensor af en bestemt type og skal ændre den. I disse tilfælde skal du transformere tensorer fra én datatype til en anden. Dette er især relevant, da visse neurale netværksoperationer eller lag ofte kræver input af en bestemt type, hovedsageligt flydende tal.

Du kan bruge tf.cast() til dette:


              
123456789101112

            
import tensorflow as tf

# Create a tensor
tensor_float = tf.constant([-1.2, 2.3, 3.8])

# Convert our `tensor_float` from `float32` to `int32`
tensor_int_converted = tf.cast(tensor_float, dtype=tf.int32)

# Display a tensor
print(tensor_float)
print('-' * 50)
print(tensor_int_converted)

Husk, når du konverterer fra en flydende datatypen til en heltalsdatatypen, vil TensorFlow udføre en floor-operation, hvilket betyder at decimaldelen fjernes. Så 3.8 bliver til 3, og -1.2 bliver til -1.

Note
Bemærk

Vær opmærksom ved ændring af datatyper, især når du skifter til en type med lavere præcision. Du kan miste information under processen.

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 7
single

single

Datatyper

Stryg for at vise menuen

Datatyper

I dette afsnit udforskes begrebet datatyper i TensorFlow. Ligesom programmeringssprog kategoriserer tal og tekst i typer som heltal, flydende tal eller strenge, har tensorer i TensorFlow også specifikke typer.

Tilgængelige datatyper i TensorFlow

TensorFlow understøtter et væld af datatyper til forskellige slags data og operationer. Nogle af de mest anvendte typer er:

  • tf.float16, tf.float32, tf.float64: flydende tal, hvor cifrene efter kommaet har betydning. Tallet i navnet (som 16 i tf.float16) angiver antal bits. tf.float32 bruges ofte, da det giver en god balance mellem præcision og beregningshastighed;

  • tf.int8, tf.int16, tf.int32, tf.int64: heltalstyper, tal uden decimaler. De kan være både positive og negative;

  • tf.uint8, tf.uint16, tf.uint32, tf.uint64: 'u' står her for 'unsigned', hvilket betyder, at disse heltal altid er ikke-negative;

  • tf.bool: repræsenterer booleske værdier (True eller False);

  • tf.string: til tekstdata.

Note
Bemærk

For heltalstyper betyder et større tal i navnet kun et bredere interval af værdier, som den kan gemme. Men for flydetyper angiver et højere tal i navnet også større beregningsnøjagtighed.

Der findes flere datatyper i TensorFlow, men for begyndere er det vigtigt først at blive fortrolig med disse primære typer. For en komplet liste over datatyper, der understøttes af TensorFlow, kan du se denne specifikke side i TensorFlow-dokumentationen.

Angivelse af datatype ved oprettelse af en tensor

Når du initialiserer en tensor, kan du angive dens type ved hjælp af argumentet dtype:


              
123456789101112

            
import tensorflow as tf

# Creating a tensor of type `float16`
tensor_float = tf.constant([1.2, 2.3, 3.4], dtype=tf.float16)

# Creating a tensor of type `int64`
tensor_int = tf.constant([1, 2, 3], dtype=tf.int64)

# Display tensors
print(tensor_float)
print('-' * 50)
print(tensor_int)
Note
Bemærk

Mange tensor-oprettelsesfunktioner anvender denne tilgang. Det gælder for metoder som tf.Variable(), tf.zeros(), tf.ones(), tf.random.normal(), tf.random.uniform() og endda i tf.convert_to_tensor().

Konvertering mellem datatyper

Men hvad hvis den funktion, du bruger, ikke tillader direkte angivelse af datatype? Eller måske har du allerede en tensor af en bestemt type og skal ændre den. I disse tilfælde skal du transformere tensorer fra én datatype til en anden. Dette er især relevant, da visse neurale netværksoperationer eller lag ofte kræver input af en bestemt type, hovedsageligt flydende tal.

Du kan bruge tf.cast() til dette:


              
123456789101112

            
import tensorflow as tf

# Create a tensor
tensor_float = tf.constant([-1.2, 2.3, 3.8])

# Convert our `tensor_float` from `float32` to `int32`
tensor_int_converted = tf.cast(tensor_float, dtype=tf.int32)

# Display a tensor
print(tensor_float)
print('-' * 50)
print(tensor_int_converted)

Husk, når du konverterer fra en flydende datatypen til en heltalsdatatypen, vil TensorFlow udføre en floor-operation, hvilket betyder at decimaldelen fjernes. Så 3.8 bliver til 3, og -1.2 bliver til -1.

Note
Bemærk

Vær opmærksom ved ændring af datatyper, især når du skifter til en type med lavere præcision. Du kan miste information under processen.

Opgave

Swipe to start coding

Din opgave er at oprette en tensor med en bestemt datatype og derefter konvertere den til en anden datatype.

  1. Opret en tensor med navnet initial_tensor med formen (3, 3) og normalt fordelte værdier. Sørg for, at denne tensor har datatypen 64-bit flydende tal.
  2. Transformér initial_tensor til en tensor kaldet converted_tensor med datatypen 16-bit flydende tal.

Løsning

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 7
single

single

Spørg AI

expand

Spørg AI

ChatGPT

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

some-alt