Tensorien Luominen
Tensorien luominen
Tässä luvussa keskitytään tensorien luomiseen TensorFlow'n avulla. TensorFlow tarjoaa useita menetelmiä tensorien alustamiseen. Tämän luvun lopussa hallitset tensorien generoinnin monenlaisiin käyttötarkoituksiin.
Perustason tensorin alustajat
tf.constant()
: tämä on yksinkertaisin tapa luoda tensori. Kuten nimi kertoo, tällä menetelmällä alustetut tensorit sisältävät vakioarvoja ja ovat muuttumattomia;
12345import tensorflow as tf # Create a 2x2 constant tensor tensor_const = tf.constant([[1, 2], [3, 4]]) print(tensor_const)
tf.Variable()
: toisin kuintf.constant()
,tf.Variable()
-funktiolla määritelty tensori on muokattavissa. Tämä tarkoittaa, että sen arvoa voidaan muuttaa, mikä tekee siitä sopivan esimerkiksi mallien opetettaville parametreille;
12345import tensorflow as tf # Create a variable tensor tensor_var = tf.Variable([[1, 2], [3, 4]]) print(tensor_var)
tf.zeros()
: luo tensori, joka on täytetty nollilla;
12345import tensorflow as tf # Zero tensor of shape (3, 3) tensor_zeros = tf.zeros((3, 3)) print(tensor_zeros)
tf.ones()
: vastaavasti tämä luo tensorin, joka on täytetty ykkösillä;
12345import tensorflow as tf # Ones tensor of shape (2, 2) tensor_ones = tf.ones((2, 2)) print(tensor_ones)
tf.fill()
: luo tensorin, joka on täytetty tietyllä arvolla;
12345import tensorflow as tf # Tensor of shape (2, 2) filled with 6 tensor_fill = tf.fill((2, 2), 6) print(tensor_fill)
tf.linspace()
jatf.range()
: erinomaisia sekvenssien luomiseen;
123456789import 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
: luo tensoreita satunnaisarvoilla. Tässä moduulissa on useita jakaumia ja funktioita, kutentf.random.normal()
normaalijakauman arvoille jatf.random.uniform()
tasajakauman arvoille.
Voit myös asettaa kiinteän siemenen saadaksesi johdonmukaiset tulokset jokaisella satunnaislukugeneroinnilla käyttämällä tf.random.set_seed()
. Huomaa kuitenkin, että näin saat saman luvun kaikissa TensorFlow'n satunnaisgeneroinneissa.
Jos haluat johdonmukaiset luvut vain tietylle komennolle, voit antaa kyseiselle komennolle seed
-argumentin haluamallasi siemenarvolla.
1234567891011121314import 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)
Tietorakenteiden välinen muuntaminen
TensorFlow-tensorit voidaan saumattomasti muuntaa tutuiksi Pythonin tietorakenteiksi ja takaisin.
- Numpy-taulukoista: TensorFlow-tensorit ja Numpy-taulukot ovat hyvin yhteensopivia. Käytä
tf.convert_to_tensor()
;
12345678910import 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)
- Pandas DataFrameista: Pandas-kirjaston käyttäjille DataFrame- tai Series-objektin muuntaminen TensorFlow-tensoriksi on suoraviivaista. Käytä myös
tf.convert_to_tensor()
-funktiota;
12345678910import 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)
Varmista aina, että alkuperäisten rakenteiden (Numpy-taulukot tai Pandas DataFrame -objektit) tietotyypit ovat yhteensopivia TensorFlow-tensorin tietotyyppien kanssa. Jos tietotyypeissä on eroavaisuuksia, harkitse tyyppimuunnosta.
- Vakio-tensorin muuntaminen
Variable
-muotoon:Variable
voidaan alustaa useilla tensorin luontimenetelmillä, kutentf.ones()
,tf.linspace()
,tf.random
ja niin edelleen. Anna funktio tai olemassa oleva tensori suoraantf.Variable()
-funktiolle.
12345678910111213import 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)
Taitojen kehittämiseksi tensorien luonnissa kannattaa harjoitella erilaisilla muodoilla ja arvoilla. Lisätietoja yksittäisistä komennoista löytyy virallisesta TensorFlow-dokumentaatiosta. Sieltä löytyy kaikki tarvittava tieto kirjaston komennoista ja moduuleista.
Swipe to start coding
Hienoa! Nyt on aika testata tensorien luomisen ja muuntamisen taitojasi. Tässä on haasteesi:
-
Tensorien alustaminen
- Luo tensor nimeltä
tensor_A
, jonka muoto on(3,3)
ja kaikki alkiot ovat5
; - Luo muokattavissa oleva tensor nimeltä
tensor_B
, jonka muoto on(2,3)
ja alusta se millä tahansa arvoilla; - Luo tensor nimeltä
tensor_C
, jonka muoto on(3,3)
ja joka on täytetty nollilla; - Luo tensor nimeltä
tensor_D
, jonka muoto on(4,4)
ja joka on täytetty ykkösillä; - Luo tensor nimeltä
tensor_E
, jossa on 5 lineaarisesti jaettua arvoa väliltä 3 ja 15; - Luo tensor nimeltä
tensor_F
, jossa on satunnaisia arvoja ja muoto(2,2)
.
- Luo tensor nimeltä
-
Muunnokset
- Muunna annettu NumPy-taulukko
np_array
TensorFlow-tensoriksi nimeltätensor_from_array
; - Muunna DataFrame
df
tensoriksi nimeltätensor_from_dataframe
.
- Muunna annettu NumPy-taulukko
Huom
Muista käyttää tilanteeseen parhaiten sopivia komentoja (esim. luo ykkösillä täytetty taulukko käyttäen
tf.ones()
eikätf.fill()
).
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain the difference between tf.constant() and tf.Variable() in more detail?
How do I choose which tensor initializer to use for my application?
Can you show more examples of creating tensors with different shapes or values?
Awesome!
Completion rate improved to 5.56
Tensorien Luominen
Pyyhkäise näyttääksesi valikon
Tensorien luominen
Tässä luvussa keskitytään tensorien luomiseen TensorFlow'n avulla. TensorFlow tarjoaa useita menetelmiä tensorien alustamiseen. Tämän luvun lopussa hallitset tensorien generoinnin monenlaisiin käyttötarkoituksiin.
Perustason tensorin alustajat
tf.constant()
: tämä on yksinkertaisin tapa luoda tensori. Kuten nimi kertoo, tällä menetelmällä alustetut tensorit sisältävät vakioarvoja ja ovat muuttumattomia;
12345import tensorflow as tf # Create a 2x2 constant tensor tensor_const = tf.constant([[1, 2], [3, 4]]) print(tensor_const)
tf.Variable()
: toisin kuintf.constant()
,tf.Variable()
-funktiolla määritelty tensori on muokattavissa. Tämä tarkoittaa, että sen arvoa voidaan muuttaa, mikä tekee siitä sopivan esimerkiksi mallien opetettaville parametreille;
12345import tensorflow as tf # Create a variable tensor tensor_var = tf.Variable([[1, 2], [3, 4]]) print(tensor_var)
tf.zeros()
: luo tensori, joka on täytetty nollilla;
12345import tensorflow as tf # Zero tensor of shape (3, 3) tensor_zeros = tf.zeros((3, 3)) print(tensor_zeros)
tf.ones()
: vastaavasti tämä luo tensorin, joka on täytetty ykkösillä;
12345import tensorflow as tf # Ones tensor of shape (2, 2) tensor_ones = tf.ones((2, 2)) print(tensor_ones)
tf.fill()
: luo tensorin, joka on täytetty tietyllä arvolla;
12345import tensorflow as tf # Tensor of shape (2, 2) filled with 6 tensor_fill = tf.fill((2, 2), 6) print(tensor_fill)
tf.linspace()
jatf.range()
: erinomaisia sekvenssien luomiseen;
123456789import 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
: luo tensoreita satunnaisarvoilla. Tässä moduulissa on useita jakaumia ja funktioita, kutentf.random.normal()
normaalijakauman arvoille jatf.random.uniform()
tasajakauman arvoille.
Voit myös asettaa kiinteän siemenen saadaksesi johdonmukaiset tulokset jokaisella satunnaislukugeneroinnilla käyttämällä tf.random.set_seed()
. Huomaa kuitenkin, että näin saat saman luvun kaikissa TensorFlow'n satunnaisgeneroinneissa.
Jos haluat johdonmukaiset luvut vain tietylle komennolle, voit antaa kyseiselle komennolle seed
-argumentin haluamallasi siemenarvolla.
1234567891011121314import 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)
Tietorakenteiden välinen muuntaminen
TensorFlow-tensorit voidaan saumattomasti muuntaa tutuiksi Pythonin tietorakenteiksi ja takaisin.
- Numpy-taulukoista: TensorFlow-tensorit ja Numpy-taulukot ovat hyvin yhteensopivia. Käytä
tf.convert_to_tensor()
;
12345678910import 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)
- Pandas DataFrameista: Pandas-kirjaston käyttäjille DataFrame- tai Series-objektin muuntaminen TensorFlow-tensoriksi on suoraviivaista. Käytä myös
tf.convert_to_tensor()
-funktiota;
12345678910import 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)
Varmista aina, että alkuperäisten rakenteiden (Numpy-taulukot tai Pandas DataFrame -objektit) tietotyypit ovat yhteensopivia TensorFlow-tensorin tietotyyppien kanssa. Jos tietotyypeissä on eroavaisuuksia, harkitse tyyppimuunnosta.
- Vakio-tensorin muuntaminen
Variable
-muotoon:Variable
voidaan alustaa useilla tensorin luontimenetelmillä, kutentf.ones()
,tf.linspace()
,tf.random
ja niin edelleen. Anna funktio tai olemassa oleva tensori suoraantf.Variable()
-funktiolle.
12345678910111213import 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)
Taitojen kehittämiseksi tensorien luonnissa kannattaa harjoitella erilaisilla muodoilla ja arvoilla. Lisätietoja yksittäisistä komennoista löytyy virallisesta TensorFlow-dokumentaatiosta. Sieltä löytyy kaikki tarvittava tieto kirjaston komennoista ja moduuleista.
Swipe to start coding
Hienoa! Nyt on aika testata tensorien luomisen ja muuntamisen taitojasi. Tässä on haasteesi:
-
Tensorien alustaminen
- Luo tensor nimeltä
tensor_A
, jonka muoto on(3,3)
ja kaikki alkiot ovat5
; - Luo muokattavissa oleva tensor nimeltä
tensor_B
, jonka muoto on(2,3)
ja alusta se millä tahansa arvoilla; - Luo tensor nimeltä
tensor_C
, jonka muoto on(3,3)
ja joka on täytetty nollilla; - Luo tensor nimeltä
tensor_D
, jonka muoto on(4,4)
ja joka on täytetty ykkösillä; - Luo tensor nimeltä
tensor_E
, jossa on 5 lineaarisesti jaettua arvoa väliltä 3 ja 15; - Luo tensor nimeltä
tensor_F
, jossa on satunnaisia arvoja ja muoto(2,2)
.
- Luo tensor nimeltä
-
Muunnokset
- Muunna annettu NumPy-taulukko
np_array
TensorFlow-tensoriksi nimeltätensor_from_array
; - Muunna DataFrame
df
tensoriksi nimeltätensor_from_dataframe
.
- Muunna annettu NumPy-taulukko
Huom
Muista käyttää tilanteeseen parhaiten sopivia komentoja (esim. luo ykkösillä täytetty taulukko käyttäen
tf.ones()
eikätf.fill()
).
Ratkaisu
Kiitos palautteestasi!
single