Operaciones aritméticas

TensorFlow proporciona numerosas operaciones aritméticas para la manipulación de tensores. Estas operaciones, junto con muchas otras en TensorFlow, admiten broadcasting, lo que facilita realizar operaciones elemento a elemento en tensores de diferentes formas.

Suma

Para la suma de tensores se pueden utilizar los métodos tf.add(), .assign_add() y el signo más +. También es posible emplear broadcasting con el signo más + o con el método tf.add().

El broadcasting permite realizar operaciones elemento a elemento en tensores de formas diferentes pero compatibles, expandiendo virtualmente el tensor más pequeño para que coincida con la forma del tensor más grande.


              12345678910111213141516171819202122232425
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise addition with TF method
c1 = tf.add(a, b)  

# Same as `c1` calculation, but shorter
c2 = a + b  

# Using broadcasting; 
# Same as `[1, 2, 3] + [3, 3, 3]`
c3 = a + 3  

# The most efficient one; 
# Changes the object inplace without creating a new one;
# Result is the same as for `c1` and `c2`.
a.assign_add(b)

print('TF method:\t', c1)
print('Plus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Nota

Para el método inplace, el elemento fundamental debe ser de tipo Variable mutable en lugar de una constante.

Sustracción

Existen análogos de todos los métodos para la sustracción como para la suma:

tf.add() se convierte en tf.subtract();
El signo más + se convierte en signo menos -;
.assign_add() se convierte en .assign_sub().


              123456789101112131415161718192021
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([4, 5, 6])
b = tf.constant([1, 2, 3])

# Perform element-wise substraction
c1 = tf.subtract(a, b)  
c2 = a - b 

# Using broadcasting; 
# Same as `[4, 5, 6] - [3, 3, 3]`
c3 = a - 3  

# Inplace substraction
a.assign_sub(b)

print('TF method:\t', c1)
print('Minus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Multiplicación (elemento a elemento)

Para la multiplicación, no existe un método inplace ya que la multiplicación de matrices produce inherentemente un nuevo objeto. Sin embargo, otras operaciones tienen sus equivalentes:

tf.add() corresponde a tf.multiply();
El signo más + corresponde al signo de asterisco *.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise multiplication
c1 = tf.multiply(a, b)  
c2 = a * b 

# Using broadcasting; 
# Same as `[1, 2, 3] * [3, 3, 3]`
c3 = a * 3  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

División

Similar a la multiplicación, pero con tf.divide() y el signo /.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([6, 8, 10])
b = tf.constant([2, 4, 5])

# Perform element-wise division
c1 = tf.divide(a, b)  
c2 = a / b 

# Using broadcasting; 
# Same as `[6, 8, 10] / [2, 2, 2]`
c3 = a / 2  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

Broadcasting

Broadcasting es el término utilizado para describir cómo los tensores con diferentes formas son tratados automática e implícitamente durante las operaciones aritméticas para que parezcan tener la misma forma. Permite realizar operaciones en tensores de diferentes tamaños sin necesidad de redimensionarlos explícitamente primero.

Estudiar más

Para una comprensión más profunda de broadcasting, puede consultar la página de documentación de NumPy sobre este tema.

Tarea

Swipe to start coding

Dado un conjunto de matrices, realice las siguientes operaciones:

Suma in situ de una matriz 2x2.
Sustracción utilizando el método tf.subtract() para una matriz 2x3.
Multiplicación con broadcasting de una matriz 3x2 con otra matriz 1x2.
División con broadcasting entre dos matrices, una de tamaño 2x3 y la otra 2x1.

Nota

Observe el comportamiento de broadcasting en las operaciones de multiplicación y división. En la multiplicación, es como multiplicar [[1, 2], [3, 4], [5, 6]] con [[2, 4], [2, 4], [2, 4]]. En la división, es como dividir [[2, 4, 6], [4, 8, 12]] por [[2, 2, 2], [4, 4, 4]].

En el primer caso, el broadcasting expande la matriz a lo largo del eje 0 (primer parámetro de la forma), mientras que en el segundo caso, la matriz se expande a lo largo del eje 1 (segundo parámetro de la forma). Esto depende de la forma de las matrices.

Solución

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 2. Capítulo 1

single

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Awesome!

Completion rate improved to 6.25

Desliza para mostrar el menú

Operaciones aritméticas

Suma

Para la suma de tensores se pueden utilizar los métodos tf.add(), .assign_add() y el signo más +. También es posible emplear broadcasting con el signo más + o con el método tf.add().


              12345678910111213141516171819202122232425
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise addition with TF method
c1 = tf.add(a, b)  

# Same as `c1` calculation, but shorter
c2 = a + b  

# Using broadcasting; 
# Same as `[1, 2, 3] + [3, 3, 3]`
c3 = a + 3  

# The most efficient one; 
# Changes the object inplace without creating a new one;
# Result is the same as for `c1` and `c2`.
a.assign_add(b)

print('TF method:\t', c1)
print('Plus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Nota

Para el método inplace, el elemento fundamental debe ser de tipo Variable mutable en lugar de una constante.

Sustracción

Existen análogos de todos los métodos para la sustracción como para la suma:

tf.add() se convierte en tf.subtract();
El signo más + se convierte en signo menos -;
.assign_add() se convierte en .assign_sub().


              123456789101112131415161718192021
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([4, 5, 6])
b = tf.constant([1, 2, 3])

# Perform element-wise substraction
c1 = tf.subtract(a, b)  
c2 = a - b 

# Using broadcasting; 
# Same as `[4, 5, 6] - [3, 3, 3]`
c3 = a - 3  

# Inplace substraction
a.assign_sub(b)

print('TF method:\t', c1)
print('Minus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Multiplicación (elemento a elemento)

Para la multiplicación, no existe un método inplace ya que la multiplicación de matrices produce inherentemente un nuevo objeto. Sin embargo, otras operaciones tienen sus equivalentes:

tf.add() corresponde a tf.multiply();
El signo más + corresponde al signo de asterisco *.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise multiplication
c1 = tf.multiply(a, b)  
c2 = a * b 

# Using broadcasting; 
# Same as `[1, 2, 3] * [3, 3, 3]`
c3 = a * 3  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

División

Similar a la multiplicación, pero con tf.divide() y el signo /.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([6, 8, 10])
b = tf.constant([2, 4, 5])

# Perform element-wise division
c1 = tf.divide(a, b)  
c2 = a / b 

# Using broadcasting; 
# Same as `[6, 8, 10] / [2, 2, 2]`
c3 = a / 2  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

Broadcasting

Estudiar más

Para una comprensión más profunda de broadcasting, puede consultar la página de documentación de NumPy sobre este tema.

Tarea

Swipe to start coding

Dado un conjunto de matrices, realice las siguientes operaciones:

Suma in situ de una matriz 2x2.
Sustracción utilizando el método tf.subtract() para una matriz 2x3.
Multiplicación con broadcasting de una matriz 3x2 con otra matriz 1x2.
División con broadcasting entre dos matrices, una de tamaño 2x3 y la otra 2x1.

Nota

Observe el comportamiento de broadcasting en las operaciones de multiplicación y división. En la multiplicación, es como multiplicar [[1, 2], [3, 4], [5, 6]] con [[2, 4], [2, 4], [2, 4]]. En la división, es como dividir [[2, 4, 6], [4, 8, 12]] por [[2, 2, 2], [4, 4, 4]].

En el primer caso, el broadcasting expande la matriz a lo largo del eje 0 (primer parámetro de la forma), mientras que en el segundo caso, la matriz se expande a lo largo del eje 1 (segundo parámetro de la forma). Esto depende de la forma de las matrices.

Solución

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 2. Capítulo 1

single

Aritmética

Operaciones aritméticas

Suma

Sustracción

Multiplicación (elemento a elemento)

División

Broadcasting

Solución

Awesome!

Aritmética

Operaciones aritméticas

Suma

Sustracción

Multiplicación (elemento a elemento)

División

Broadcasting

Solución