Apprendre Création de Tenseurs

Section 1. Chapitre 6

single

Glissez pour afficher le menu

Initialisateurs de tenseurs de base

tf.constant() : 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 ;


              12345
            
import tensorflow as tf

# Create a 2x2 constant tensor
tensor_const = tf.constant([[1, 2], [3, 4]])
print(tensor_const)

tf.Variable() : contrairement à tf.constant(), un tenseur défini avec tf.Variable() est mutable. Cela signifie que sa valeur peut être modifiée, ce qui le rend idéal pour des paramètres entraînables dans les modèles ;


              12345
            
import 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 ;


              12345
            
import tensorflow as tf

# Zero tensor of shape (3, 3)
tensor_zeros = tf.zeros((3, 3))
print(tensor_zeros)

tf.ones() : à l'inverse, crée un tenseur rempli de uns ;


              12345
            
import tensorflow as tf

# Ones tensor of shape (2, 2)
tensor_ones = tf.ones((2, 2))
print(tensor_ones)

tf.fill() : crée un tenseur rempli avec une valeur spécifique ;


              12345
            
import tensorflow as tf

# Tensor of shape (2, 2) filled with 6
tensor_fill = tf.fill((2, 2), 6)
print(tensor_fill)

tf.linspace() et tf.range() : outils efficaces pour générer des séquences ;


              123456789
            
import 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, telles que tf.random.normal() pour des valeurs issues d'une distribution normale, et tf.random.uniform() pour des valeurs issues d'une distribution uniforme.

Note

Il est également possible de 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, la même valeur sera générée pour toute opération aléatoire dans TensorFlow.

Pour obtenir des valeurs cohérentes uniquement pour une commande spécifique, il est possible de fournir un argument seed à cette commande avec la valeur de graine souhaitée.


              1234567891011121314
            
import 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 sans difficulté vers et depuis des structures de données Python courantes.

Depuis les tableaux Numpy : Les tenseurs TensorFlow et les tableaux Numpy sont très interopérables. Utiliser tf.convert_to_tensor() ;


              12345678910
            
import 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)

Depuis les DataFrames Pandas : pour les adeptes de l’analyse de données avec Pandas, la conversion d’un DataFrame ou d’une Series en tenseur TensorFlow est directe. Utiliser également tf.convert_to_tensor() ;


              12345678910
            
import 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)

Remarque

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 : initialisation d'une Variable possible à l'aide de différentes méthodes de création de tenseurs telles que tf.ones(), tf.linspace(), tf.random, etc. Il suffit de passer la fonction ou le tenseur préexistant à tf.Variable().


              12345678910111213
            
import 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. Elle contient toutes les informations nécessaires sur chaque commande ou module de la bibliothèque.

Tâche

Swipe to start coding

Votre tâche consiste à créer, modifier et convertir divers tenseurs à l'aide de TensorFlow.

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 modifiable 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 réparties 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 nommé tensor_from_array.
Convertissez le DataFrame df en un tenseur TensorFlow nommé tensor_from_dataframe.

Remarque

Utilisez les fonctions TensorFlow les plus appropriées pour chaque opération :
tf.fill() pour les tenseurs avec une seule valeur répétée ;
tf.Variable() pour les tenseurs modifiables ;
tf.zeros() / tf.ones() pour les tenseurs remplis de zéros ou de uns ;
tf.linspace() pour les tenseurs à valeurs réparties linéairement ;
tf.random.normal() pour les tenseurs aléatoires ;
Utilisez tf.convert_to_tensor() pour les conversions à partir de tableaux NumPy ou de DataFrames pandas ;
Évitez d'utiliser tf.constant() — privilégiez les fonctions spécifiques listées ci-dessus.

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 6

single

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion