Criando Tensores

Esta lição aborda a criação de tensores utilizando o TensorFlow. O TensorFlow oferece diversos métodos para inicializar tensores. Ao final desta lição, você estará apto a gerar tensores para uma ampla variedade de aplicações.

Inicializadores Básicos de Tensor

tf.constant(): esta é a forma mais simples de criar um tensor. Como o nome sugere, tensores inicializados com este método possuem valores constantes e são imutáveis;


              12345
            
import tensorflow as tf

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

tf.Variable(): ao contrário de tf.constant(), um tensor definido usando tf.Variable() é mutável. Isso significa que seu valor pode ser alterado, tornando-o ideal para parâmetros treináveis em modelos;


              12345
            
import tensorflow as tf

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

tf.zeros(): cria um tensor preenchido com zeros;


              12345
            
import tensorflow as tf

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

tf.ones(): por outro lado, cria um tensor preenchido com uns;


              12345
            
import tensorflow as tf

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

tf.fill(): cria um tensor preenchido com um valor específico;


              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(): ótimos para criar sequências;


              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: gera tensores com valores aleatórios. Diversas distribuições e funções estão disponíveis neste módulo, como tf.random.normal() para valores de uma distribuição normal e tf.random.uniform() para valores de uma distribuição uniforme.

Nota

Também é possível definir uma semente fixa para obter resultados consistentes em cada geração de número aleatório utilizando tf.random.set_seed(). No entanto, ao fazer isso, você receberá o mesmo número para qualquer geração aleatória dentro do TensorFlow.

Se desejar obter números consistentes apenas para um comando específico, é possível fornecer um argumento seed para esse comando com o valor de semente desejado.


              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)

Conversão Entre Estruturas de Dados

Tensores do TensorFlow podem ser convertidos facilmente para e a partir de estruturas de dados familiares do Python.

A partir de Arrays Numpy: Tensores do TensorFlow e arrays Numpy são bastante interoperáveis. Utilize 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)

A partir de DataFrames do Pandas: para quem utiliza análise de dados com Pandas, converter um DataFrame ou uma Series para um tensor do TensorFlow é simples. Utilize também 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

Sempre garanta que os tipos de dados das estruturas originais (arrays Numpy ou DataFrames do Pandas) sejam compatíveis com os tipos de dados dos tensores do TensorFlow. Caso haja incompatibilidade, considere realizar o casting de tipo.

Convertendo um tensor constante em uma Variable: é possível inicializar uma Variable utilizando diversos métodos de criação de tensores, como tf.ones(), tf.linspace(), tf.random, entre outros. Basta passar a função ou o tensor já existente para 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)

Para aprimorar a criação de tensores, recomenda-se praticar com diferentes formatos e valores. Para mais detalhes sobre comandos específicos, consulte a documentação do TensorFlow. Lá estão disponíveis todas as informações necessárias sobre qualquer comando ou módulo da biblioteca.

Tarefa

Swipe to start coding

Sua tarefa é criar, modificar e converter diversos tensores utilizando o TensorFlow.

Parte 1 — Inicialização de Tensores

Crie um tensor chamado tensor_A com forma (3, 3) e todos os elementos iguais a 5.
Crie um tensor mutável chamado tensor_B com forma (2, 3) e quaisquer valores de sua escolha.
Crie um tensor chamado tensor_C com forma (3, 3) preenchido com zeros.
Crie um tensor chamado tensor_D com forma (4, 4) preenchido com uns.
Crie um tensor chamado tensor_E com 5 valores linearmente espaçados entre 3 e 15.
Crie um tensor chamado tensor_F com valores aleatórios e forma (2, 2).

Parte 2 — Conversões

Converta o array NumPy np_array em um tensor TensorFlow chamado tensor_from_array.
Converta o DataFrame df em um tensor TensorFlow chamado tensor_from_dataframe.

Nota

Utilize as funções mais adequadas do TensorFlow para cada operação:
tf.fill() para tensores com um único valor repetido;
tf.Variable() para tensores mutáveis;
tf.zeros() / tf.ones() para tensores preenchidos com zeros ou uns;
tf.linspace() para tensores com valores linearmente espaçados;
tf.random.normal() para tensores aleatórios;
Utilize tf.convert_to_tensor() para conversões a partir de arrays NumPy ou DataFrames do pandas;
Evite usar tf.constant() — utilize as funções mais específicas listadas acima.

Solução

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 6

single

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 5.56

Deslize para mostrar o menu

Criando Tensores

Inicializadores Básicos de Tensor

tf.constant(): esta é a forma mais simples de criar um tensor. Como o nome sugere, tensores inicializados com este método possuem valores constantes e são imutáveis;


              12345
            
import tensorflow as tf

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

tf.Variable(): ao contrário de tf.constant(), um tensor definido usando tf.Variable() é mutável. Isso significa que seu valor pode ser alterado, tornando-o ideal para parâmetros treináveis em modelos;


              12345
            
import tensorflow as tf

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

tf.zeros(): cria um tensor preenchido com zeros;


              12345
            
import tensorflow as tf

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

tf.ones(): por outro lado, cria um tensor preenchido com uns;


              12345
            
import tensorflow as tf

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

tf.fill(): cria um tensor preenchido com um valor específico;


              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(): ótimos para criar sequências;


              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: gera tensores com valores aleatórios. Diversas distribuições e funções estão disponíveis neste módulo, como tf.random.normal() para valores de uma distribuição normal e tf.random.uniform() para valores de uma distribuição uniforme.

Nota

Se desejar obter números consistentes apenas para um comando específico, é possível fornecer um argumento seed para esse comando com o valor de semente desejado.


              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)

Conversão Entre Estruturas de Dados

Tensores do TensorFlow podem ser convertidos facilmente para e a partir de estruturas de dados familiares do Python.

A partir de Arrays Numpy: Tensores do TensorFlow e arrays Numpy são bastante interoperáveis. Utilize 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)

A partir de DataFrames do Pandas: para quem utiliza análise de dados com Pandas, converter um DataFrame ou uma Series para um tensor do TensorFlow é simples. Utilize também 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

Convertendo um tensor constante em uma Variable: é possível inicializar uma Variable utilizando diversos métodos de criação de tensores, como tf.ones(), tf.linspace(), tf.random, entre outros. Basta passar a função ou o tensor já existente para 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)

Tarefa

Swipe to start coding

Sua tarefa é criar, modificar e converter diversos tensores utilizando o TensorFlow.

Parte 1 — Inicialização de Tensores

Crie um tensor chamado tensor_A com forma (3, 3) e todos os elementos iguais a 5.
Crie um tensor mutável chamado tensor_B com forma (2, 3) e quaisquer valores de sua escolha.
Crie um tensor chamado tensor_C com forma (3, 3) preenchido com zeros.
Crie um tensor chamado tensor_D com forma (4, 4) preenchido com uns.
Crie um tensor chamado tensor_E com 5 valores linearmente espaçados entre 3 e 15.
Crie um tensor chamado tensor_F com valores aleatórios e forma (2, 2).

Parte 2 — Conversões

Converta o array NumPy np_array em um tensor TensorFlow chamado tensor_from_array.
Converta o DataFrame df em um tensor TensorFlow chamado tensor_from_dataframe.

Nota

Utilize as funções mais adequadas do TensorFlow para cada operação:
tf.fill() para tensores com um único valor repetido;
tf.Variable() para tensores mutáveis;
tf.zeros() / tf.ones() para tensores preenchidos com zeros ou uns;
tf.linspace() para tensores com valores linearmente espaçados;
tf.random.normal() para tensores aleatórios;
Utilize tf.convert_to_tensor() para conversões a partir de arrays NumPy ou DataFrames do pandas;
Evite usar tf.constant() — utilize as funções mais específicas listadas acima.

Solução

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 1. Capítulo 6

single