Erstellen von Tensoren

Diese Lektion konzentriert sich auf die Erstellung von Tensoren mit TensorFlow. TensorFlow bietet zahlreiche Methoden zur Initialisierung von Tensoren. Am Ende dieser Lektion sind Sie in der Lage, Tensoren für eine Vielzahl von Anwendungen zu erzeugen.

Grundlegende Tensor-Initialisierer

tf.constant(): Dies ist die einfachste Methode, um einen Tensor zu erstellen. Wie der Name schon sagt, enthalten mit dieser Methode initialisierte Tensoren konstante Werte und sind unveränderlich;


              12345
            
import tensorflow as tf

# Create a 2x2 constant tensor
tensor_const = tf.constant([[1, 2], [3, 4]])
print(tensor_const)

tf.Variable(): Im Gegensatz zu tf.constant() ist ein mit tf.Variable() definierter Tensor veränderbar. Das bedeutet, sein Wert kann geändert werden, was ihn ideal für trainierbare Parameter in Modellen macht;


              12345
            
import tensorflow as tf

# Create a variable tensor
tensor_var = tf.Variable([[1, 2], [3, 4]])
print(tensor_var)

tf.zeros(): Erzeugt einen Tensor, der nur Nullen enthält;


              12345
            
import tensorflow as tf

# Zero tensor of shape (3, 3)
tensor_zeros = tf.zeros((3, 3))
print(tensor_zeros)

tf.ones(): im Gegensatz dazu wird ein Tensor erzeugt, der nur Einsen enthält;


              12345
            
import tensorflow as tf

# Ones tensor of shape (2, 2)
tensor_ones = tf.ones((2, 2))
print(tensor_ones)

tf.fill(): erstellt einen Tensor, der mit einem bestimmten Wert gefüllt ist;


              12345
            
import tensorflow as tf

# Tensor of shape (2, 2) filled with 6
tensor_fill = tf.fill((2, 2), 6)
print(tensor_fill)

tf.linspace() und tf.range(): ideal zur Erstellung von Sequenzen;


              123456789
            
import tensorflow as tf

# Generate a sequence of numbers starting from 0, ending at 9
tensor_range = tf.range(10)
print(tensor_range)

# Create 5 equally spaced values between 0 and 10
tensor_linspace = tf.linspace(0, 10, 5)
print(tensor_linspace)

tf.random: erzeugt Tensoren mit Zufallswerten. In diesem Modul stehen verschiedene Verteilungen und Funktionen zur Verfügung, wie tf.random.normal() für Werte aus einer Normalverteilung und tf.random.uniform() für Werte aus einer Gleichverteilung.

Hinweis

Sie können auch einen festen Seed setzen, um bei jeder Zufallszahlengenerierung konsistente Ergebnisse mit tf.random.set_seed() zu erhalten. Beachten Sie jedoch, dass Sie dadurch für jede Zufallsgenerierung innerhalb von TensorFlow die gleiche Zahl erhalten.

Wenn Sie konsistente Zahlen nur für einen bestimmten Befehl erzielen möchten, können Sie diesem Befehl ein seed-Argument mit dem gewünschten Seed-Wert übergeben.


              1234567891011121314
            
import tensorflow as tf

# Set random seed
tf.random.set_seed(72)

# Tensor of shape (2, 2) with random values normally distributed 
# (by default `mean=0` and `std=1`)
tensor_random = tf.random.normal((2, 2), mean=4, stddev=0.5)
print(tensor_random)

# Tensor of shape (2, 2) with random values uniformly distributed 
# (by default `min=0` and `max=1`)
tensor_random = tf.random.uniform((2, 2), minval=-2, maxval=2)
print(tensor_random)

Konvertierung zwischen Datenstrukturen

TensorFlow-Tensoren können nahtlos in vertraute Python-Datenstrukturen umgewandelt werden und umgekehrt.

Aus Numpy-Arrays: TensorFlow-Tensoren und Numpy-Arrays sind sehr interoperabel. Verwenden Sie tf.convert_to_tensor()


              12345678910
            
import numpy as np
import tensorflow as tf

# Create a NumPy array based on a Python list
numpy_array = np.array([[1, 2], [3, 4]])

# Convert a NumPy array to a tensor
tensor_from_np = tf.convert_to_tensor(numpy_array)

print(tensor_from_np)

Aus Pandas DataFrames: Für Anwender, die Datenanalysen mit Pandas bevorzugen, ist die Umwandlung eines DataFrame oder einer Series in einen TensorFlow-Tensor unkompliziert. Verwenden Sie ebenfalls tf.convert_to_tensor().


              12345678910
            
import pandas as pd
import tensorflow as tf

# Create a DataFrame based on dictionary
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

# Convert a DataFrame to a tensor
tensor_from_df = tf.convert_to_tensor(df.values)

print(tensor_from_df)

Hinweis

Stellen Sie stets sicher, dass die Datentypen Ihrer Ausgangsstrukturen (Numpy-Arrays oder Pandas DataFrames) kompatibel mit den TensorFlow-Tensor-Datentypen sind. Bei einer Abweichung empfiehlt sich eine Typumwandlung.

Konvertieren eines konstanten Tensors in eine Variable: Eine Variable kann mit verschiedenen Tensor-Erstellungsmethoden wie tf.ones(), tf.linspace(), tf.random usw. initialisiert werden. Übergeben Sie einfach die Funktion oder den bereits vorhandenen Tensor an tf.Variable().


              12345678910111213
            
import tensorflow as tf

# Create a variable from a tensor
tensor = tf.random.normal((2, 3))
variable_1 = tf.Variable(tensor)

# Create a variable based on other generator
variable_2 = tf.Variable(tf.zeros((2, 2)))

# Display tensors
print(variable_1)
print('-' * 50)
print(variable_2)

Um das Erstellen von Tensors zu üben, empfiehlt sich das Arbeiten mit unterschiedlichen Formen und Werten. Weitere Informationen zu bestimmten Befehlen finden Sie in der offiziellen TensorFlow-Dokumentation. Dort finden Sie alle Informationen zu jedem Befehl oder Modul der Bibliothek.

Aufgabe

Swipe to start coding

Ihre Aufgabe besteht darin, in dieser Übung verschiedene Tensoren zu erstellen, zu modifizieren und zu konvertieren.

Teil 1 — Tensor-Initialisierung

Erstellen Sie einen Tensor namens tensor_A mit der Form (3, 3) und allen Elementen gleich 5.
Erstellen Sie einen veränderbaren Tensor namens tensor_B mit der Form (2, 3) und beliebigen Werten Ihrer Wahl.
Erstellen Sie einen Tensor namens tensor_C mit der Form (3, 3), gefüllt mit Nullen.
Erstellen Sie einen Tensor namens tensor_D mit der Form (4, 4), gefüllt mit Einsen.
Erstellen Sie einen Tensor namens tensor_E mit 5 linear verteilten Werten zwischen 3 und 15.
Erstellen Sie einen Tensor namens tensor_F mit zufälligen Werten und der Form (2, 2).

Teil 2 — Konvertierungen

Konvertieren Sie das NumPy-Array np_array in einen TensorFlow-Tensor namens tensor_from_array.
Konvertieren Sie das DataFrame df in einen TensorFlow-Tensor namens tensor_from_dataframe.

Hinweis

Verwenden Sie die jeweils passenden TensorFlow-Funktionen (z. B. tf.ones(), tf.zeros(), tf.fill(), usw.).
Für Konvertierungen verwenden Sie tf.convert_to_tensor().
Für linear verteilte Tensoren verwenden Sie tf.linspace(start, stop, num).
Für zufällige Tensoren verwenden Sie tf.random.normal(shape).

Lösung

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 6

single

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 5.56

Swipe um das Menü anzuzeigen

Erstellen von Tensoren

Grundlegende Tensor-Initialisierer

tf.constant(): Dies ist die einfachste Methode, um einen Tensor zu erstellen. Wie der Name schon sagt, enthalten mit dieser Methode initialisierte Tensoren konstante Werte und sind unveränderlich;


              12345
            
import tensorflow as tf

# Create a 2x2 constant tensor
tensor_const = tf.constant([[1, 2], [3, 4]])
print(tensor_const)

tf.Variable(): Im Gegensatz zu tf.constant() ist ein mit tf.Variable() definierter Tensor veränderbar. Das bedeutet, sein Wert kann geändert werden, was ihn ideal für trainierbare Parameter in Modellen macht;


              12345
            
import tensorflow as tf

# Create a variable tensor
tensor_var = tf.Variable([[1, 2], [3, 4]])
print(tensor_var)

tf.zeros(): Erzeugt einen Tensor, der nur Nullen enthält;


              12345
            
import tensorflow as tf

# Zero tensor of shape (3, 3)
tensor_zeros = tf.zeros((3, 3))
print(tensor_zeros)

tf.ones(): im Gegensatz dazu wird ein Tensor erzeugt, der nur Einsen enthält;


              12345
            
import tensorflow as tf

# Ones tensor of shape (2, 2)
tensor_ones = tf.ones((2, 2))
print(tensor_ones)

tf.fill(): erstellt einen Tensor, der mit einem bestimmten Wert gefüllt ist;


              12345
            
import tensorflow as tf

# Tensor of shape (2, 2) filled with 6
tensor_fill = tf.fill((2, 2), 6)
print(tensor_fill)

tf.linspace() und tf.range(): ideal zur Erstellung von Sequenzen;


              123456789
            
import tensorflow as tf

# Generate a sequence of numbers starting from 0, ending at 9
tensor_range = tf.range(10)
print(tensor_range)

# Create 5 equally spaced values between 0 and 10
tensor_linspace = tf.linspace(0, 10, 5)
print(tensor_linspace)

tf.random: erzeugt Tensoren mit Zufallswerten. In diesem Modul stehen verschiedene Verteilungen und Funktionen zur Verfügung, wie tf.random.normal() für Werte aus einer Normalverteilung und tf.random.uniform() für Werte aus einer Gleichverteilung.

Hinweis

Wenn Sie konsistente Zahlen nur für einen bestimmten Befehl erzielen möchten, können Sie diesem Befehl ein seed-Argument mit dem gewünschten Seed-Wert übergeben.


              1234567891011121314
            
import tensorflow as tf

# Set random seed
tf.random.set_seed(72)

# Tensor of shape (2, 2) with random values normally distributed 
# (by default `mean=0` and `std=1`)
tensor_random = tf.random.normal((2, 2), mean=4, stddev=0.5)
print(tensor_random)

# Tensor of shape (2, 2) with random values uniformly distributed 
# (by default `min=0` and `max=1`)
tensor_random = tf.random.uniform((2, 2), minval=-2, maxval=2)
print(tensor_random)

Konvertierung zwischen Datenstrukturen

TensorFlow-Tensoren können nahtlos in vertraute Python-Datenstrukturen umgewandelt werden und umgekehrt.

Aus Numpy-Arrays: TensorFlow-Tensoren und Numpy-Arrays sind sehr interoperabel. Verwenden Sie tf.convert_to_tensor()


              12345678910
            
import numpy as np
import tensorflow as tf

# Create a NumPy array based on a Python list
numpy_array = np.array([[1, 2], [3, 4]])

# Convert a NumPy array to a tensor
tensor_from_np = tf.convert_to_tensor(numpy_array)

print(tensor_from_np)

Aus Pandas DataFrames: Für Anwender, die Datenanalysen mit Pandas bevorzugen, ist die Umwandlung eines DataFrame oder einer Series in einen TensorFlow-Tensor unkompliziert. Verwenden Sie ebenfalls tf.convert_to_tensor().


              12345678910
            
import pandas as pd
import tensorflow as tf

# Create a DataFrame based on dictionary
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})

# Convert a DataFrame to a tensor
tensor_from_df = tf.convert_to_tensor(df.values)

print(tensor_from_df)

Hinweis

Konvertieren eines konstanten Tensors in eine Variable: Eine Variable kann mit verschiedenen Tensor-Erstellungsmethoden wie tf.ones(), tf.linspace(), tf.random usw. initialisiert werden. Übergeben Sie einfach die Funktion oder den bereits vorhandenen Tensor an tf.Variable().


              12345678910111213
            
import tensorflow as tf

# Create a variable from a tensor
tensor = tf.random.normal((2, 3))
variable_1 = tf.Variable(tensor)

# Create a variable based on other generator
variable_2 = tf.Variable(tf.zeros((2, 2)))

# Display tensors
print(variable_1)
print('-' * 50)
print(variable_2)

Aufgabe

Swipe to start coding

Ihre Aufgabe besteht darin, in dieser Übung verschiedene Tensoren zu erstellen, zu modifizieren und zu konvertieren.

Teil 1 — Tensor-Initialisierung

Erstellen Sie einen Tensor namens tensor_A mit der Form (3, 3) und allen Elementen gleich 5.
Erstellen Sie einen veränderbaren Tensor namens tensor_B mit der Form (2, 3) und beliebigen Werten Ihrer Wahl.
Erstellen Sie einen Tensor namens tensor_C mit der Form (3, 3), gefüllt mit Nullen.
Erstellen Sie einen Tensor namens tensor_D mit der Form (4, 4), gefüllt mit Einsen.
Erstellen Sie einen Tensor namens tensor_E mit 5 linear verteilten Werten zwischen 3 und 15.
Erstellen Sie einen Tensor namens tensor_F mit zufälligen Werten und der Form (2, 2).

Teil 2 — Konvertierungen

Konvertieren Sie das NumPy-Array np_array in einen TensorFlow-Tensor namens tensor_from_array.
Konvertieren Sie das DataFrame df in einen TensorFlow-Tensor namens tensor_from_dataframe.

Hinweis

Verwenden Sie die jeweils passenden TensorFlow-Funktionen (z. B. tf.ones(), tf.zeros(), tf.fill(), usw.).
Für Konvertierungen verwenden Sie tf.convert_to_tensor().
Für linear verteilte Tensoren verwenden Sie tf.linspace(start, stop, num).
Für zufällige Tensoren verwenden Sie tf.random.normal(shape).

Lösung

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 6

single

Erstellen Von Tensoren

Erstellen von Tensoren

Grundlegende Tensor-Initialisierer

Konvertierung zwischen Datenstrukturen

Teil 1 — Tensor-Initialisierung

Teil 2 — Konvertierungen

Lösung

Awesome!

Erstellen Von Tensoren

Erstellen von Tensoren

Grundlegende Tensor-Initialisierer

Konvertierung zwischen Datenstrukturen

Teil 1 — Tensor-Initialisierung

Teil 2 — Konvertierungen

Lösung