Lernen Datentypen | Abschnitt

Abschnitt 1. Kapitel 7

single

Swipe um das Menü anzuzeigen

Verfügbare Datentypen in TensorFlow

TensorFlow unterstützt eine Vielzahl von Datentypen, um unterschiedliche Datenarten und Operationen abzudecken. Zu den am häufigsten verwendeten Typen gehören:

tf.float16, tf.float32, tf.float64: Dies sind Gleitkommazahlen, bei denen die Nachkommastellen relevant sind. Die Zahl im Namen (wie 16 in tf.float16) gibt die Anzahl der verwendeten Bits an. tf.float32 wird häufig verwendet, da es ein gutes Gleichgewicht zwischen Genauigkeit und Rechengeschwindigkeit bietet;
tf.int8, tf.int16, tf.int32, tf.int64: Dies sind Ganzzahltypen, also Zahlen ohne Dezimalpunkt. Sie können sowohl positive als auch negative Werte annehmen;
tf.uint8, tf.uint16, tf.uint32, tf.uint64: Das 'u' steht hier für 'unsigned' (vorzeichenlos), was bedeutet, dass diese Ganzzahlen immer nicht-negativ sind;
tf.bool: Repräsentiert boolesche Werte (True oder False);
tf.string: Für Textdaten.

Hinweis

Bei Ganzzahltypen bedeutet eine größere Zahl im Namen lediglich einen größeren Wertebereich, der gespeichert werden kann. Bei Gleitkommatypen weist eine höhere Zahl im Namen zudem auf eine höhere Rechengenauigkeit hin.

Es gibt noch weitere Datentypen in TensorFlow, aber für Einsteiger ist es wichtig, sich zunächst mit diesen grundlegenden Typen vertraut zu machen. Eine vollständige Liste der von TensorFlow unterstützten Datentypen finden Sie auf dieser speziellen Seite in der TensorFlow-Dokumentation.

Festlegen des Datentyps beim Erstellen eines Tensors

Beim Initialisieren eines Tensors kann der Typ mit dem Argument dtype angegeben werden:


              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)

Hinweis

Viele Funktionen zur Tensor-Erstellung verwenden dieses Vorgehen. Es ist anwendbar in Methoden wie tf.Variable(), tf.zeros(), tf.ones(), tf.random.normal(), tf.random.uniform() und sogar in tf.convert_to_tensor().

Umwandlung zwischen Datentypen

Was ist jedoch, wenn die verwendete Funktion keine direkte Angabe des Datentyps erlaubt? Oder Sie besitzen bereits einen Tensor eines bestimmten Typs und müssen diesen ändern. In solchen Fällen ist es notwendig, Tensoren von einem Datentyp in einen anderen zu transformieren. Dies ist besonders relevant, da bestimmte Operationen oder Schichten in neuronalen Netzwerken häufig Eingaben eines bestimmten Typs erfordern, vorwiegend Gleitkommazahlen.

Hierfür kann tf.cast() verwendet werden:


              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)

Beachten Sie, dass TensorFlow beim Umwandeln von einem Gleitkommatyp in einen Ganzzahltyp eine Abrundung durchführt, wobei der Dezimalteil entfernt wird. So wird aus 3.8 die 3 und aus -1.2 die -1.

Hinweis

Seien Sie vorsichtig beim Ändern von Datentypen, insbesondere wenn Sie zu einem Typ mit geringerer Genauigkeit wechseln. Es kann dabei zu Informationsverlusten kommen.

Aufgabe

Swipe to start coding

Ihre Aufgabe besteht darin, einen Tensor eines bestimmten Datentyps zu erstellen und diesen anschließend in einen anderen Datentyp zu konvertieren.

Erstellen Sie einen Tensor mit dem Namen initial_tensor der Form (3, 3) mit normalverteilten Werten. Stellen Sie sicher, dass dieser Tensor den Datentyp 64-Bit-Gleitkommazahlen besitzt.
Wandeln Sie den initial_tensor in einen Tensor namens converted_tensor mit dem Datentyp 16-Bit-Gleitkommazahlen um.

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 7

single

Fragen Sie AI

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