Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Erstellen Von Tensoren | Tensors
Einführung in TensorFlow

bookErstellen Von Tensoren

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)
copy
  • 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)
copy
  • 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)
copy
  • 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)
copy
  • 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)
copy
  • 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)
copy
  • 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.
Note
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)
copy

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)
copy
  • 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)
copy
Note
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)
copy

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

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

Teil 2 — Konvertierungen

  1. Konvertieren Sie das NumPy-Array np_array in einen TensorFlow-Tensor namens tensor_from_array.
  2. 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?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 6
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

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

close

Awesome!

Completion rate improved to 5.56

bookErstellen Von Tensoren

Swipe um das Menü anzuzeigen

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)
copy
  • 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)
copy
  • 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)
copy
  • 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)
copy
  • 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)
copy
  • 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)
copy
  • 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.
Note
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)
copy

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)
copy
  • 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)
copy
Note
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)
copy

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

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

Teil 2 — Konvertierungen

  1. Konvertieren Sie das NumPy-Array np_array in einen TensorFlow-Tensor namens tensor_from_array.
  2. 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

Switch to desktopWechseln 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?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 6
single

single

some-alt