Aritmeettiset operaatiot

TensorFlow tarjoaa useita aritmeettisia operaatioita tensorien käsittelyyn. Nämä operaatiot sekä monet muut TensorFlow:ssa tukevat lähetysominaisuutta (broadcasting), mikä helpottaa alkiokohtaisten operaatioiden suorittamista erimuotoisille tensoreille.

Yhteenlasku

Tensorien yhteenlaskuun voidaan käyttää tf.add(), .assign_add() -metodeja sekä plusmerkkiä +. Lisäksi lähetysominaisuutta voidaan hyödyntää plusmerkin + tai tf.add() -funktion kanssa.

Lähetysominaisuus mahdollistaa alkiokohtaisten operaatioiden suorittamisen tensoreille, joilla on eri mutta yhteensopivat muodot, laajentamalla pienemmän tensorin virtuaalisesti vastaamaan suuremman tensorin muotoa.


              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)

Huomio

Paikan päällä tehtävässä menetelmässä peruselementin täytyy olla muutettava Variable-tyyppi eikä vakio.

Vähennyslasku

Kaikille yhteenlaskun menetelmille on vastaavat menetelmät vähennyslaskussa:

tf.add() muuttuu muotoon tf.subtract();
Plus-merkki + muuttuu miinusmerkiksi -;
.assign_add() muuttuu muotoon .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)

Kertolasku (alkiokohtainen)

Kertolaskussa ei ole paikallista (inplace) metodia, koska matriisikertolasku tuottaa aina uuden olion. Muille operaatioille on kuitenkin vastineensa:

tf.add() vastaa tf.multiply();
Plusmerkki + vastaa kertomerkkiä *.


              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)

Jakolasku

Samankaltainen kuin kertolasku, mutta käytetään tf.divide()-funktiota ja /-merkkiä.


              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 tarkoittaa sitä, miten erimuotoisia tensoreita käsitellään automaattisesti ja implisiittisesti aritmeettisissa operaatioissa niin, että ne näyttävät olevan samanmuotoisia. Tämän ansiosta operaatioita voidaan suorittaa erikokoisille tensoreille ilman, että niitä tarvitsee erikseen muokata saman kokoisiksi.

Lisätietoa

Syvempää ymmärrystä broadcastingista varten voit tutustua viralliseen NumPy-dokumentaatiosivuun tästä aiheesta.

Tehtävä

Pyyhkäise aloittaaksesi koodauksen

Annettujen matriisien joukolla suoritetaan seuraavat operaatiot:

In-place-lisäys 2x2-matriisille.
Vähennys käyttämällä tf.subtract()-metodia 2x3-matriisille.
Broadcasting-kertolasku 3x2-matriisin ja toisen 1x2-matriisin välillä.
Broadcasting-jakolasku kahden matriisin välillä, joista toinen on kooltaan 2x3 ja toinen 2x1.

Huom

Kiinnitä huomiota broadcasting-käyttäytymiseen kertolasku- ja jakolaskuoperaatioissa. Kertolaskussa kyse on esimerkiksi [[1, 2], [3, 4], [5, 6]] kertomisesta [[2, 4], [2, 4], [2, 4]] kanssa. Jakolaskussa kyse on esimerkiksi [[2, 4, 6], [4, 8, 12]] jakamisesta [[2, 2, 2], [4, 4, 4]] kanssa.

Ensimmäisessä tapauksessa broadcasting laajentaa matriisia 0-akselin (muodon ensimmäinen parametri) suuntaan, kun taas toisessa tapauksessa matriisi laajennetaan 1-akselin (muodon toinen parametri) suuntaan. Tämä riippuu matriisien muodoista.