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

Opérations de Base : Arithmétique

Opérations Arithmétiques

TensorFlow offre de nombreuses opérations arithmétiques pour la manipulation des tenseurs. Ces opérations et bien d'autres dans TensorFlow prennent en charge le broadcasting, ce qui facilite l'exécution d'opérations élément par élément sur des tenseurs de formes différentes.

Addition

Pour l'addition de tenseurs, nous pouvons utiliser les méthodes tf.add(), .assign_add() et le signe plus +. Nous pouvons également utiliser le broadcasting avec le signe plus + ou avec la méthode tf.add().

Le Broadcasting permet d'effectuer des opérations élémentaires sur des tenseurs de formes différentes, mais compatibles, en étendant virtuellement le plus petit tenseur pour correspondre à la forme du plus grand tenseur.


              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)

Remarque

Pour la méthode en place, l'élément fondamental doit être un type Variable mutable plutôt qu'une constante.

Soustraction

Nous avons des analogues de toutes les méthodes pour la soustraction comme pour l'addition :

tf.add() devient tf.subtract();
Le signe plus + devient le signe moins -;
.assign_add() devient .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)

Multiplication (Élément par élément)

Pour la multiplication, il n'existe pas de méthode sur place puisque la multiplication de matrices résulte intrinsèquement en un nouvel objet. Cependant, d'autres opérations ont leurs équivalents :

tf.add() correspond à tf.multiply();
Le signe plus + correspond au signe astérisque *.


              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)

Division

Similaire à la multiplication, mais avec tf.divide() et le signe /.


              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)

Diffusion

Diffusion est le terme utilisé pour décrire comment les tenseurs de formes différentes sont automatiquement et implicitement traités lors des opérations arithmétiques afin qu'ils apparaissent comme s'ils avaient la même forme. Cela permet d'effectuer des opérations sur des tenseurs de tailles différentes sans les redimensionner explicitement au préalable.

Tâche

Swipe to start coding

Étant donné un ensemble de matrices, effectuez les opérations suivantes :

Addition en place d'une matrice 2x2.
Soustraction en utilisant la méthode tf.subtract() pour une matrice 2x3.
Multiplication par émission d'une matrice 3x2 avec une autre matrice 1x2.
Division par émission entre deux matrices, l'une de taille 2x3 et l'autre 2x1.

Remarque

Notez le comportement d'émission dans les opérations de multiplication et de division. Dans la multiplication, c'est comme multiplier [[1, 2], [3, 4], [5, 6]] avec [[2, 4], [2, 4], [2, 4]]. Dans la division, c'est comme diviser [[2, 4, 6], [4, 8, 12]] par [[2, 2, 2], [4, 4, 4]].

Dans le premier cas, l'émission étend la matrice le long de l'axe 0 (premier paramètre de la forme), tandis que dans le second cas, la matrice est étendue le long de l'axe 1 (deuxième paramètre de la forme). Cela dépend de la forme des matrices.

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 8

Opérations de Base : Arithmétique

Opérations Arithmétiques

Addition


              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)

Remarque

Pour la méthode en place, l'élément fondamental doit être un type Variable mutable plutôt qu'une constante.

Soustraction

Nous avons des analogues de toutes les méthodes pour la soustraction comme pour l'addition :

tf.add() devient tf.subtract();
Le signe plus + devient le signe moins -;
.assign_add() devient .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)

Multiplication (Élément par élément)

tf.add() correspond à tf.multiply();
Le signe plus + correspond au signe astérisque *.


              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)

Division

Similaire à la multiplication, mais avec tf.divide() et le signe /.


              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)

Diffusion

Tâche

Swipe to start coding

Étant donné un ensemble de matrices, effectuez les opérations suivantes :

Addition en place d'une matrice 2x2.
Soustraction en utilisant la méthode tf.subtract() pour une matrice 2x3.
Multiplication par émission d'une matrice 3x2 avec une autre matrice 1x2.
Division par émission entre deux matrices, l'une de taille 2x3 et l'autre 2x1.

Remarque

Notez le comportement d'émission dans les opérations de multiplication et de division. Dans la multiplication, c'est comme multiplier [[1, 2], [3, 4], [5, 6]] avec [[2, 4], [2, 4], [2, 4]]. Dans la division, c'est comme diviser [[2, 4, 6], [4, 8, 12]] par [[2, 2, 2], [4, 4, 4]].

Dans le premier cas, l'émission étend la matrice le long de l'axe 0 (premier paramètre de la forme), tandis que dans le second cas, la matrice est étendue le long de l'axe 1 (deuxième paramètre de la forme). Cela dépend de la forme des matrices.

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 8

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