Creazione di Tensors

Questa lezione si concentra sulla creazione di tensori utilizzando TensorFlow. TensorFlow offre numerosi metodi per inizializzare i tensori. Al termine di questa lezione, sarai in grado di generare tensori per un'ampia gamma di applicazioni.

Inizializzatori di Tensor di Base

tf.constant(): questo è il modo più semplice per creare un tensore. Come suggerisce il nome, i tensori inizializzati con questo metodo contengono valori costanti e sono immutabili;


              12345
            
import tensorflow as tf

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

tf.Variable(): a differenza di tf.constant(), un tensore definito utilizzando tf.Variable() è mutabile. Questo significa che il suo valore può essere modificato, rendendolo ideale per parametri addestrabili nei modelli;


              12345
            
import tensorflow as tf

# Create a variable tensor
tensor_var = tf.Variable([[1, 2], [3, 4]])
print(tensor_var)

tf.zeros(): crea un tensore riempito di zeri;


              12345
            
import tensorflow as tf

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

tf.ones(): al contrario, crea un tensore riempito di uno;


              12345
            
import tensorflow as tf

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

tf.fill(): crea un tensore riempito con un valore specifico;


              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() e tf.range(): strumenti ideali per creare sequenze;


              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: genera tensori con valori casuali. Sono disponibili diverse distribuzioni e funzioni all'interno di questo modulo, come tf.random.normal() per valori da una distribuzione normale e tf.random.uniform() per valori da una distribuzione uniforme.

Nota

È possibile impostare anche un seed fisso per ottenere risultati coerenti a ogni generazione di numeri casuali utilizzando tf.random.set_seed(). Tuttavia, si noti che in questo modo si otterrà lo stesso numero per qualsiasi generazione casuale all'interno di TensorFlow.

Se si desidera ottenere numeri coerenti solo per un comando specifico, è possibile fornire un argomento seed a quel comando con il valore di seed desiderato.


              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)

Conversione tra strutture dati

I tensori di TensorFlow possono essere convertiti facilmente da e verso strutture dati Python familiari.

Da array Numpy: I tensori TensorFlow e gli array Numpy sono altamente interoperabili. Utilizzare 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)

Da Pandas DataFrame: per chi è appassionato di analisi dei dati con Pandas, convertire un DataFrame o una Series in un tensore TensorFlow è semplice. Utilizzare anche 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)

Nota

Assicurarsi sempre che i tipi di dati delle strutture originali (array Numpy o Pandas DataFrame) siano compatibili con i tipi di dati dei tensori TensorFlow. In caso di incompatibilità, considerare il casting del tipo.

Conversione di un tensore costante in una Variable: è possibile inizializzare una Variable utilizzando diversi metodi di creazione di tensori come tf.ones(), tf.linspace(), tf.random e così via. Basta passare la funzione o il tensore preesistente a 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)

Per migliorare nella creazione di tensori, esercitarsi con forme e valori diversi. Per ulteriori dettagli sui comandi specifici, consultare la documentazione di TensorFlow. Contiene tutte le informazioni necessarie su qualsiasi comando o modulo della libreria.

Compito

Swipe to start coding

Il tuo compito è creare, modificare e convertire vari tensori in questa sfida.

Parte 1 — Inizializzazione dei tensori

Creare un tensore chiamato tensor_A con forma (3, 3) e tutti gli elementi uguali a 5.
Creare un tensore mutabile chiamato tensor_B con forma (2, 3) e valori a tua scelta.
Creare un tensore chiamato tensor_C con forma (3, 3) riempito di zeri.
Creare un tensore chiamato tensor_D con forma (4, 4) riempito di uni.
Creare un tensore chiamato tensor_E con 5 valori equidistanti tra 3 e 15.
Creare un tensore chiamato tensor_F con valori casuali e forma (2, 2).

Parte 2 — Conversioni

Convertire l'array NumPy np_array in un tensore TensorFlow chiamato tensor_from_array.
Convertire il DataFrame df in un tensore TensorFlow chiamato tensor_from_dataframe.

Nota

Utilizzare le funzioni TensorFlow più appropriate (ad esempio, tf.ones(), tf.zeros(), tf.fill(), ecc.).
Per le conversioni, utilizzare tf.convert_to_tensor().
Per i tensori con valori equidistanti, utilizzare tf.linspace(start, stop, num).
Per i tensori casuali, utilizzare tf.random.normal(shape).

Soluzione

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 6

single

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Awesome!

Completion rate improved to 5.56

Scorri per mostrare il menu

Creazione di Tensors

Inizializzatori di Tensor di Base

tf.constant(): questo è il modo più semplice per creare un tensore. Come suggerisce il nome, i tensori inizializzati con questo metodo contengono valori costanti e sono immutabili;


              12345
            
import tensorflow as tf

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

tf.Variable(): a differenza di tf.constant(), un tensore definito utilizzando tf.Variable() è mutabile. Questo significa che il suo valore può essere modificato, rendendolo ideale per parametri addestrabili nei modelli;


              12345
            
import tensorflow as tf

# Create a variable tensor
tensor_var = tf.Variable([[1, 2], [3, 4]])
print(tensor_var)

tf.zeros(): crea un tensore riempito di zeri;


              12345
            
import tensorflow as tf

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

tf.ones(): al contrario, crea un tensore riempito di uno;


              12345
            
import tensorflow as tf

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

tf.fill(): crea un tensore riempito con un valore specifico;


              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() e tf.range(): strumenti ideali per creare sequenze;


              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: genera tensori con valori casuali. Sono disponibili diverse distribuzioni e funzioni all'interno di questo modulo, come tf.random.normal() per valori da una distribuzione normale e tf.random.uniform() per valori da una distribuzione uniforme.

Nota

Se si desidera ottenere numeri coerenti solo per un comando specifico, è possibile fornire un argomento seed a quel comando con il valore di seed desiderato.


              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)

Conversione tra strutture dati

I tensori di TensorFlow possono essere convertiti facilmente da e verso strutture dati Python familiari.

Da array Numpy: I tensori TensorFlow e gli array Numpy sono altamente interoperabili. Utilizzare 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)

Da Pandas DataFrame: per chi è appassionato di analisi dei dati con Pandas, convertire un DataFrame o una Series in un tensore TensorFlow è semplice. Utilizzare anche 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)

Nota

Conversione di un tensore costante in una Variable: è possibile inizializzare una Variable utilizzando diversi metodi di creazione di tensori come tf.ones(), tf.linspace(), tf.random e così via. Basta passare la funzione o il tensore preesistente a 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)

Compito

Swipe to start coding

Il tuo compito è creare, modificare e convertire vari tensori in questa sfida.

Parte 1 — Inizializzazione dei tensori

Creare un tensore chiamato tensor_A con forma (3, 3) e tutti gli elementi uguali a 5.
Creare un tensore mutabile chiamato tensor_B con forma (2, 3) e valori a tua scelta.
Creare un tensore chiamato tensor_C con forma (3, 3) riempito di zeri.
Creare un tensore chiamato tensor_D con forma (4, 4) riempito di uni.
Creare un tensore chiamato tensor_E con 5 valori equidistanti tra 3 e 15.
Creare un tensore chiamato tensor_F con valori casuali e forma (2, 2).

Parte 2 — Conversioni

Convertire l'array NumPy np_array in un tensore TensorFlow chiamato tensor_from_array.
Convertire il DataFrame df in un tensore TensorFlow chiamato tensor_from_dataframe.

Nota

Utilizzare le funzioni TensorFlow più appropriate (ad esempio, tf.ones(), tf.zeros(), tf.fill(), ecc.).
Per le conversioni, utilizzare tf.convert_to_tensor().
Per i tensori con valori equidistanti, utilizzare tf.linspace(start, stop, num).
Per i tensori casuali, utilizzare tf.random.normal(shape).

Soluzione

Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguenti

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 6

single

Creazione di Tensori

Creazione di Tensors

Inizializzatori di Tensor di Base

Conversione tra strutture dati

Parte 1 — Inizializzazione dei tensori

Parte 2 — Conversioni

Soluzione

Awesome!

Creazione di Tensori

Creazione di Tensors

Inizializzatori di Tensor di Base

Conversione tra strutture dati

Parte 1 — Inizializzazione dei tensori

Parte 2 — Conversioni

Soluzione