Aritmetikk

Aritmetiske operasjoner

TensorFlow tilbyr en rekke aritmetiske operasjoner for manipulering av tensorer. Disse operasjonene, og mange andre i TensorFlow, støtter broadcasting, noe som gjør det enklere å utføre elementvise operasjoner på tensorer med ulike former.

Addisjon

For addisjon av tensorer kan vi bruke tf.add(), .assign_add()-metoder og pluss-tegnet +. Vi kan også bruke broadcasting med pluss-tegnet + eller med tf.add()-metoden.

Broadcasting gjør det mulig å utføre elementvise operasjoner på tensorer med ulike, men kompatible, former ved å virtuelt utvide den mindre tensoren slik at den matcher formen til den større tensoren.


              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)

Merk

For den direkte metoden må det grunnleggende elementet være av typen muterbar Variable og ikke en konstant.

Subtraksjon

Det finnes analoge metoder for subtraksjon som for addisjon:

tf.add() endres til tf.subtract();
Pluss-tegn + endres til minus-tegn -;
.assign_add() endres til .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)

Multiplikasjon (elementvis)

For multiplikasjon finnes det ikke en in-place-metode, siden matrise-multiplikasjon alltid resulterer i et nytt objekt. Andre operasjoner har derimot tilsvarende metoder:

tf.add() tilsvarer tf.multiply();
Pluss-tegnet + tilsvarer stjerne-tegnet *.


              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)

Divisjon

Tilsvarende som multiplikasjon, men med tf.divide() og /-tegnet.


              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)

Broadcasting

Broadcasting er begrepet som brukes for å beskrive hvordan tensorer med ulike former automatisk og implisitt behandles under aritmetiske operasjoner slik at de fremstår som om de har samme form. Dette gjør det mulig å utføre operasjoner på tensorer med forskjellige størrelser uten å eksplisitt endre størrelsen først.

Les mer

For en dypere forståelse av broadcasting, kan du se den offisielle NumPy-dokumentasjonssiden om dette emnet.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 2. Kapittel 1

single

Sveip for å vise menyen