Création de Tenseurs
Création de tenseurs
Cette leçon porte sur la création de tenseurs à l'aide de TensorFlow. TensorFlow propose de nombreuses méthodes pour initialiser des tenseurs. À la fin de cette leçon, vous maîtriserez la génération de tenseurs pour un large éventail d'applications.
Initialisateurs de tenseurs de base
tf.constant()
: il s'agit de la méthode la plus simple pour créer un tenseur. Comme son nom l'indique, les tenseurs initialisés avec cette méthode contiennent des valeurs constantes et sont immuables ;
12345import tensorflow as tf # Create a 2x2 constant tensor tensor_const = tf.constant([[1, 2], [3, 4]]) print(tensor_const)
tf.Variable()
: contrairement àtf.constant()
, un tenseur défini avectf.Variable()
est mutable. Cela signifie que sa valeur peut être modifiée, ce qui le rend idéal pour des paramètres entraînables dans les modèles ;
12345import tensorflow as tf # Create a variable tensor tensor_var = tf.Variable([[1, 2], [3, 4]]) print(tensor_var)
tf.zeros()
: créer un tenseur rempli de zéros ;
12345import tensorflow as tf # Zero tensor of shape (3, 3) tensor_zeros = tf.zeros((3, 3)) print(tensor_zeros)
tf.ones()
: à l'inverse, cela crée un tenseur rempli de uns ;
12345import tensorflow as tf # Ones tensor of shape (2, 2) tensor_ones = tf.ones((2, 2)) print(tensor_ones)
tf.fill()
: crée un tenseur rempli d'une valeur spécifique ;
12345import tensorflow as tf # Tensor of shape (2, 2) filled with 6 tensor_fill = tf.fill((2, 2), 6) print(tensor_fill)
tf.linspace()
ettf.range()
: idéals pour créer des séquences ;
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
: génère des tenseurs avec des valeurs aléatoires. Plusieurs distributions et fonctions sont disponibles dans ce module, commetf.random.normal()
pour des valeurs issues d'une distribution normale, ettf.random.uniform()
pour des valeurs issues d'une distribution uniforme.
Vous pouvez également définir une graine fixe afin d'obtenir des résultats cohérents à chaque génération de nombre aléatoire en utilisant tf.random.set_seed()
. Cependant, notez qu'en procédant ainsi, vous obtiendrez le même nombre pour toute génération aléatoire au sein de TensorFlow.
Si vous souhaitez obtenir des nombres cohérents uniquement pour une commande spécifique, vous pouvez fournir un argument seed
à cette commande avec la valeur de graine souhaitée.
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)
Conversion entre structures de données
Les tenseurs TensorFlow peuvent être convertis facilement vers et depuis des structures de données Python familières.
- Depuis des tableaux Numpy : Les tenseurs TensorFlow et les tableaux Numpy sont très interopérables. Utiliser
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)
- À partir de DataFrames Pandas : pour ceux qui apprécient l’analyse de données avec Pandas, la conversion d’un DataFrame ou d’une Series en tenseur TensorFlow est simple. Utiliser également
tf.convert_to_tensor()
;
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)
Toujours vérifier que les types de données de vos structures d’origine (tableaux Numpy ou DataFrames Pandas) sont compatibles avec les types de données des tenseurs TensorFlow. En cas d’incompatibilité, envisager un transtypage.
- Conversion d'un tenseur constant en
Variable
: il est possible d'initialiser uneVariable
à l'aide de différentes méthodes de création de tenseurs telles quetf.ones()
,tf.linspace()
,tf.random
, etc. Il suffit de passer la fonction ou le tenseur préexistant àtf.Variable()
.
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)
Pour améliorer la création de tenseurs, s'exercer avec différentes formes et valeurs. Pour plus de détails sur des commandes spécifiques, consulter la documentation TensorFlow. Toutes les informations nécessaires sur chaque commande ou module de la bibliothèque y sont disponibles.
Swipe to start coding
Votre tâche consiste à créer, modifier et convertir divers tenseurs dans ce défi.
Partie 1 — Initialisation des tenseurs
- Créez un tenseur nommé
tensor_A
de forme(3, 3)
dont tous les éléments sont égaux à 5. - Créez un tenseur mutable nommé
tensor_B
de forme(2, 3)
avec les valeurs de votre choix. - Créez un tenseur nommé
tensor_C
de forme(3, 3)
rempli de zéros. - Créez un tenseur nommé
tensor_D
de forme(4, 4)
rempli de uns. - Créez un tenseur nommé
tensor_E
contenant 5 valeurs espacées linéairement entre 3 et 15. - Créez un tenseur nommé
tensor_F
avec des valeurs aléatoires et de forme(2, 2)
.
Partie 2 — Conversions
- Convertissez le tableau NumPy
np_array
en un tenseur TensorFlow nommétensor_from_array
. - Convertissez le DataFrame
df
en un tenseur TensorFlow nommétensor_from_dataframe
.
Remarque
- Utilisez les fonctions TensorFlow les plus appropriées (par exemple,
tf.ones()
,tf.zeros()
,tf.fill()
, etc.). - Pour les conversions, utilisez
tf.convert_to_tensor()
. - Pour les tenseurs à valeurs espacées linéairement, utilisez
tf.linspace(start, stop, num)
. - Pour les tenseurs aléatoires, utilisez
tf.random.normal(shape)
.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
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
Création de Tenseurs
Glissez pour afficher le menu
Création de tenseurs
Cette leçon porte sur la création de tenseurs à l'aide de TensorFlow. TensorFlow propose de nombreuses méthodes pour initialiser des tenseurs. À la fin de cette leçon, vous maîtriserez la génération de tenseurs pour un large éventail d'applications.
Initialisateurs de tenseurs de base
tf.constant()
: il s'agit de la méthode la plus simple pour créer un tenseur. Comme son nom l'indique, les tenseurs initialisés avec cette méthode contiennent des valeurs constantes et sont immuables ;
12345import tensorflow as tf # Create a 2x2 constant tensor tensor_const = tf.constant([[1, 2], [3, 4]]) print(tensor_const)
tf.Variable()
: contrairement àtf.constant()
, un tenseur défini avectf.Variable()
est mutable. Cela signifie que sa valeur peut être modifiée, ce qui le rend idéal pour des paramètres entraînables dans les modèles ;
12345import tensorflow as tf # Create a variable tensor tensor_var = tf.Variable([[1, 2], [3, 4]]) print(tensor_var)
tf.zeros()
: créer un tenseur rempli de zéros ;
12345import tensorflow as tf # Zero tensor of shape (3, 3) tensor_zeros = tf.zeros((3, 3)) print(tensor_zeros)
tf.ones()
: à l'inverse, cela crée un tenseur rempli de uns ;
12345import tensorflow as tf # Ones tensor of shape (2, 2) tensor_ones = tf.ones((2, 2)) print(tensor_ones)
tf.fill()
: crée un tenseur rempli d'une valeur spécifique ;
12345import tensorflow as tf # Tensor of shape (2, 2) filled with 6 tensor_fill = tf.fill((2, 2), 6) print(tensor_fill)
tf.linspace()
ettf.range()
: idéals pour créer des séquences ;
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
: génère des tenseurs avec des valeurs aléatoires. Plusieurs distributions et fonctions sont disponibles dans ce module, commetf.random.normal()
pour des valeurs issues d'une distribution normale, ettf.random.uniform()
pour des valeurs issues d'une distribution uniforme.
Vous pouvez également définir une graine fixe afin d'obtenir des résultats cohérents à chaque génération de nombre aléatoire en utilisant tf.random.set_seed()
. Cependant, notez qu'en procédant ainsi, vous obtiendrez le même nombre pour toute génération aléatoire au sein de TensorFlow.
Si vous souhaitez obtenir des nombres cohérents uniquement pour une commande spécifique, vous pouvez fournir un argument seed
à cette commande avec la valeur de graine souhaitée.
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)
Conversion entre structures de données
Les tenseurs TensorFlow peuvent être convertis facilement vers et depuis des structures de données Python familières.
- Depuis des tableaux Numpy : Les tenseurs TensorFlow et les tableaux Numpy sont très interopérables. Utiliser
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)
- À partir de DataFrames Pandas : pour ceux qui apprécient l’analyse de données avec Pandas, la conversion d’un DataFrame ou d’une Series en tenseur TensorFlow est simple. Utiliser également
tf.convert_to_tensor()
;
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)
Toujours vérifier que les types de données de vos structures d’origine (tableaux Numpy ou DataFrames Pandas) sont compatibles avec les types de données des tenseurs TensorFlow. En cas d’incompatibilité, envisager un transtypage.
- Conversion d'un tenseur constant en
Variable
: il est possible d'initialiser uneVariable
à l'aide de différentes méthodes de création de tenseurs telles quetf.ones()
,tf.linspace()
,tf.random
, etc. Il suffit de passer la fonction ou le tenseur préexistant àtf.Variable()
.
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)
Pour améliorer la création de tenseurs, s'exercer avec différentes formes et valeurs. Pour plus de détails sur des commandes spécifiques, consulter la documentation TensorFlow. Toutes les informations nécessaires sur chaque commande ou module de la bibliothèque y sont disponibles.
Swipe to start coding
Votre tâche consiste à créer, modifier et convertir divers tenseurs dans ce défi.
Partie 1 — Initialisation des tenseurs
- Créez un tenseur nommé
tensor_A
de forme(3, 3)
dont tous les éléments sont égaux à 5. - Créez un tenseur mutable nommé
tensor_B
de forme(2, 3)
avec les valeurs de votre choix. - Créez un tenseur nommé
tensor_C
de forme(3, 3)
rempli de zéros. - Créez un tenseur nommé
tensor_D
de forme(4, 4)
rempli de uns. - Créez un tenseur nommé
tensor_E
contenant 5 valeurs espacées linéairement entre 3 et 15. - Créez un tenseur nommé
tensor_F
avec des valeurs aléatoires et de forme(2, 2)
.
Partie 2 — Conversions
- Convertissez le tableau NumPy
np_array
en un tenseur TensorFlow nommétensor_from_array
. - Convertissez le DataFrame
df
en un tenseur TensorFlow nommétensor_from_dataframe
.
Remarque
- Utilisez les fonctions TensorFlow les plus appropriées (par exemple,
tf.ones()
,tf.zeros()
,tf.fill()
, etc.). - Pour les conversions, utilisez
tf.convert_to_tensor()
. - Pour les tenseurs à valeurs espacées linéairement, utilisez
tf.linspace(start, stop, num)
. - Pour les tenseurs aléatoires, utilisez
tf.random.normal(shape)
.
Solution
Merci pour vos commentaires !
single