Aprende Creación de Tensores

Sección 1. Capítulo 6

single

Desliza para mostrar el menú

Inicializadores básicos de tensores

tf.constant(): este es el método más sencillo para crear un tensor. Como su nombre indica, los tensores inicializados con este método contienen valores constantes y son inmutables;


              12345
            
import tensorflow as tf

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

tf.Variable(): a diferencia de tf.constant(), un tensor definido usando tf.Variable() es mutable. Esto significa que su valor puede cambiar, lo que lo hace adecuado para parámetros entrenables en modelos;


              12345
            
import tensorflow as tf

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

tf.zeros(): crear un tensor lleno de ceros;


              12345
            
import tensorflow as tf

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

tf.ones(): por el contrario, crea un tensor lleno de unos;


              12345
            
import tensorflow as tf

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

tf.fill(): crea un tensor lleno con un valor específico;


              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() y tf.range(): útiles para crear secuencias;


              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: genera tensores con valores aleatorios. Este módulo ofrece varias distribuciones y funciones, como tf.random.normal() para valores de una distribución normal, y tf.random.uniform() para valores de una distribución uniforme.

Nota

También es posible establecer una semilla fija para obtener resultados consistentes en cada generación de números aleatorios utilizando tf.random.set_seed(). Sin embargo, tenga en cuenta que al hacer esto, recibirá el mismo número para cualquier generación aleatoria dentro de TensorFlow.

Si desea obtener números consistentes solo para un comando específico, puede proporcionar un argumento seed a ese comando con el valor de semilla deseado.


              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)

Conversión entre estructuras de datos

Los tensores de TensorFlow pueden convertirse fácilmente hacia y desde estructuras de datos familiares de Python.

Desde arreglos de Numpy: Los tensores de TensorFlow y los arreglos de Numpy son altamente interoperables. Utilizar 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)

Desde DataFrames de Pandas: para quienes prefieren el análisis de datos con Pandas, convertir un DataFrame o una Serie a un tensor de TensorFlow es sencillo. Utilizar también 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)

Nota

Asegúrese siempre de que los tipos de datos de sus estructuras originales (arrays de Numpy o DataFrames de Pandas) sean compatibles con los tipos de datos de tensores de TensorFlow. Si existe una incompatibilidad, considere realizar una conversión de tipo.

Conversión de un tensor constante a una Variable: es posible inicializar una Variable utilizando varios métodos de creación de tensores como tf.ones(), tf.linspace(), tf.random, entre otros. Simplemente pase la función o el tensor preexistente a 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)

Para mejorar la creación de tensores, practicar con diferentes formas y valores. Para más detalles sobre comandos específicos, consultar la documentación de TensorFlow. Contiene toda la información necesaria sobre cualquier comando o módulo de la biblioteca.

Tarea

Swipe to start coding

Su tarea es crear, modificar y convertir varios tensores utilizando TensorFlow.

Parte 1 — Inicialización de tensores

Crear un tensor llamado tensor_A con forma (3, 3) y todos los elementos iguales a 5.
Crear un tensor mutable llamado tensor_B con forma (2, 3) y cualquier valor de su elección.
Crear un tensor llamado tensor_C con forma (3, 3) lleno de ceros.
Crear un tensor llamado tensor_D con forma (4, 4) lleno de unos.
Crear un tensor llamado tensor_E con 5 valores espaciados linealmente entre 3 y 15.
Crear un tensor llamado tensor_F con valores aleatorios y forma (2, 2).

Parte 2 — Conversiones

Convertir el arreglo de NumPy np_array en un tensor de TensorFlow llamado tensor_from_array.
Convertir el DataFrame df en un tensor de TensorFlow llamado tensor_from_dataframe.

Nota

Utilizar las funciones de TensorFlow más adecuadas para cada operación:
tf.fill() para tensores con un solo valor repetido;
tf.Variable() para tensores mutables;
tf.zeros() / tf.ones() para tensores llenos de ceros o unos;
tf.linspace() para tensores con valores espaciados linealmente;
tf.random.normal() para tensores aleatorios;
Utilizar tf.convert_to_tensor() para conversiones desde arreglos de NumPy o DataFrames de pandas;
Evitar el uso de tf.constant() — utilice las funciones más específicas mencionadas anteriormente.

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 1. Capítulo 6

single

Pregunte a AI

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