Contenu du cours

Introduction à TensorFlow

1. Tenseurs

Bienvenue à TensorFlow Introduction aux Tenseurs Propriétés des Tenseurs Applications des Tenseurs Lots Création de Tenseurs Types de Données Opérations de Base : Arithmétique Opérations de Base : Algèbre Linéaire Défi : Créer une Couche de Réseau Neuronal Transformations Opérations de Réduction Quiz : Bases de TensorFlow

2. Notions de Base de TensorFlow

Bande de Gradient Exécution de Graphe Implémentation de Réseau de Neurones Quiz : Conclusion Résumé

Types de Données

Types de données

Bienvenue, explorateurs du royaume de TensorFlow ! La quête d'aujourd'hui consiste à naviguer dans le monde des types de données dans TensorFlow. Tout comme les nombres et le texte ont divers types dans les langages de programmation (comme les entiers, les flottants ou les chaînes de caractères), les tenseurs ont leur propre ensemble de types.

Types de données disponibles dans TensorFlow

TensorFlow prend en charge une pléthore de types de données pour répondre à différents types de données et opérations. Certains des types les plus couramment utilisés sont :

tf.float16, tf.float32, tf.float64 : Ce sont des nombres à virgule flottante où les chiffres après le point sont importants. Le nombre dans leur nom (comme 16 dans tf.float16) vous indique le nombre de bits utilisés. tf.float32 est couramment utilisé car il offre un bon équilibre entre précision et vitesse de calcul ;
tf.int8, tf.int16, tf.int32, tf.int64 : Ce sont des types entiers, des nombres sans point décimal. Ils peuvent être à la fois positifs et négatifs ;
tf.uint8, tf.uint16, tf.uint32, tf.uint64 : 'u' ici signifie 'non signé', ce qui signifie que ces entiers sont toujours non négatifs ;
tf.bool : Représente des valeurs booléennes (True ou False) ;
tf.string : Pour les données textuelles.

Remarque

Pour les types entiers, un nombre plus grand dans le nom signifie seulement une plage de valeurs plus large qu'il peut stocker. Mais pour les types à virgule flottante, un nombre plus élevé dans le nom indique également une plus grande précision de calcul.

Il existe plus de types de données disponibles dans TensorFlow, mais pour les débutants, il est crucial de se familiariser d'abord avec ces types principaux. Pour une liste complète des types de données pris en charge par TensorFlow, envisagez de consulter cette page spécifique dans la documentation TensorFlow.

Définir le type de données lors de la création d'un tenseur

Lorsque vous initialisez un tenseur, vous pouvez spécifier son type en utilisant l'argument dtype :


              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)

Remarque

De nombreuses fonctions de création de tenseurs adoptent cette approche. Elle est applicable dans des méthodes telles que tf.Variable(), tf.zeros(), tf.ones(), tf.random.normal(), tf.random.uniform(), et même dans tf.convert_to_tensor().

Conversion entre les types de données

Mais que faire si la fonction que vous utilisez ne permet pas de spécification directe du type de données ? Ou peut-être possédez-vous déjà un tenseur d'un certain type et avez besoin de le changer. Dans ces cas, vous devrez transformer les tenseurs d'un type de données à un autre. Cela est particulièrement pertinent car certaines opérations ou couches de réseaux neuronaux exigent souvent des entrées d'un type particulier, principalement des nombres à virgule flottante.

Vous pouvez utiliser tf.cast() pour y parvenir :


              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)

Rappelez-vous, lors de la conversion d'un type à virgule flottante à un type entier, TensorFlow effectuera une opération de plancher, supprimant essentiellement la partie décimale. Ainsi, 3.8 devient 3, et -1.2 devient -1.

Remarque

Soyez prudent lors du changement de types de données, surtout lorsque vous passez à un type avec moins de précision. Vous pourriez perdre des informations dans le processus.

Tâche

Swipe to start coding

Votre tâche consiste à créer un tenseur d'un type de données spécifique, puis à le convertir en un autre type de données.

Créez un tenseur nommé initial_tensor de forme (3, 3) avec des valeurs normalement distribuées. Assurez-vous que ce tenseur possède un type de données de valeurs à virgule flottante 64 bits.
Transformez le initial_tensor en un tenseur appelé converted_tensor avec un type de données de valeurs à virgule flottante 16 bits.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 7

Types de Données

Types de données

Types de données disponibles dans TensorFlow

TensorFlow prend en charge une pléthore de types de données pour répondre à différents types de données et opérations. Certains des types les plus couramment utilisés sont :

tf.float16, tf.float32, tf.float64 : Ce sont des nombres à virgule flottante où les chiffres après le point sont importants. Le nombre dans leur nom (comme 16 dans tf.float16) vous indique le nombre de bits utilisés. tf.float32 est couramment utilisé car il offre un bon équilibre entre précision et vitesse de calcul ;
tf.int8, tf.int16, tf.int32, tf.int64 : Ce sont des types entiers, des nombres sans point décimal. Ils peuvent être à la fois positifs et négatifs ;
tf.uint8, tf.uint16, tf.uint32, tf.uint64 : 'u' ici signifie 'non signé', ce qui signifie que ces entiers sont toujours non négatifs ;
tf.bool : Représente des valeurs booléennes (True ou False) ;
tf.string : Pour les données textuelles.

Remarque

Pour les types entiers, un nombre plus grand dans le nom signifie seulement une plage de valeurs plus large qu'il peut stocker. Mais pour les types à virgule flottante, un nombre plus élevé dans le nom indique également une plus grande précision de calcul.

Définir le type de données lors de la création d'un tenseur

Lorsque vous initialisez un tenseur, vous pouvez spécifier son type en utilisant l'argument dtype :


              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)

Remarque

De nombreuses fonctions de création de tenseurs adoptent cette approche. Elle est applicable dans des méthodes telles que tf.Variable(), tf.zeros(), tf.ones(), tf.random.normal(), tf.random.uniform(), et même dans tf.convert_to_tensor().

Conversion entre les types de données

Vous pouvez utiliser tf.cast() pour y parvenir :


              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)

Remarque

Soyez prudent lors du changement de types de données, surtout lorsque vous passez à un type avec moins de précision. Vous pourriez perdre des informations dans le processus.

Tâche

Swipe to start coding

Votre tâche consiste à créer un tenseur d'un type de données spécifique, puis à le convertir en un autre type de données.

Créez un tenseur nommé initial_tensor de forme (3, 3) avec des valeurs normalement distribuées. Assurez-vous que ce tenseur possède un type de données de valeurs à virgule flottante 64 bits.
Transformez le initial_tensor en un tenseur appelé converted_tensor avec un type de données de valeurs à virgule flottante 16 bits.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 7

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous