Datatyper
Datatyper
I det här avsnittet utforskas begreppet datatyper i TensorFlow. Precis som programmeringsspråk kategoriserar siffror och text i typer som heltal, flyttal eller strängar, har tensorer i TensorFlow också specifika typer.
Tillgängliga datatyper i TensorFlow
TensorFlow stöder ett stort antal datatyper för att hantera olika typer av data och operationer. Några av de mest använda typerna är:
-
tf.float16
,tf.float32
,tf.float64
: dessa är flyttal där siffrorna efter decimaltecknet är viktiga. Siffran i namnet (som16
itf.float16
) anger antalet bitar som används.tf.float32
används ofta eftersom den ger en bra balans mellan precision och beräkningshastighet; -
tf.int8
,tf.int16
,tf.int32
,tf.int64
: dessa är heltalstyper, siffror utan decimaltecken. De kan vara både positiva och negativa; -
tf.uint8
,tf.uint16
,tf.uint32
,tf.uint64
: 'u' står här för 'unsigned', vilket innebär att dessa heltal alltid är icke-negativa; -
tf.bool
: representerar booleska värden (True
ellerFalse
); -
tf.string
: för textdata.
För heltalstyper innebär ett högre tal i namnet endast ett större värdeintervall som kan lagras. För flyttalstyper indikerar ett högre tal i namnet även högre beräkningsnoggrannhet.
Det finns fler datatyper tillgängliga i TensorFlow, men för nybörjare är det viktigt att först bekanta sig med dessa primära typer. För en fullständig lista över datatyper som stöds av TensorFlow, se gärna denna specifika sida i TensorFlow-dokumentationen.
Ange datatyp vid skapande av tensor
Vid initiering av en tensor kan du specificera dess typ med argumentet dtype
:
123456789101112import tensorflow as tf # Creating a tensor of type `float16` tensor_float = tf.constant([1.2, 2.3, 3.4], dtype=tf.float16) # Creating a tensor of type `int64` tensor_int = tf.constant([1, 2, 3], dtype=tf.int64) # Display tensors print(tensor_float) print('-' * 50) print(tensor_int)
Många tensor-skapandefunktioner använder detta tillvägagångssätt. Det gäller metoder som tf.Variable()
, tf.zeros()
, tf.ones()
, tf.random.normal()
, tf.random.uniform()
och även tf.convert_to_tensor()
.
Konvertering mellan datatyper
Men vad händer om funktionen du använder inte tillåter direkt specifikation av datatyp? Eller kanske har du redan en tensor av en viss typ och behöver ändra den. I dessa fall måste du transformera tensorer från en datatyp till en annan. Detta är särskilt relevant eftersom vissa neurala nätverksoperationer eller lager ofta kräver indata av en viss typ, främst flyttal.
Du kan använda tf.cast()
för att uppnå detta:
123456789101112import tensorflow as tf # Create a tensor tensor_float = tf.constant([-1.2, 2.3, 3.8]) # Convert our `tensor_float` from `float32` to `int32` tensor_int_converted = tf.cast(tensor_float, dtype=tf.int32) # Display a tensor print(tensor_float) print('-' * 50) print(tensor_int_converted)
Kom ihåg att vid konvertering från ett flyttal till en heltalstyp utför TensorFlow en golvoperation, vilket innebär att decimaldelen tas bort. Så 3.8
blir 3
och -1.2
blir -1
.
Var försiktig vid byte av datatyper, särskilt när du byter till en typ med lägre precision. Du kan förlora information i processen.
Swipe to start coding
Din uppgift är att skapa en tensor av en specifik datatyp och sedan konvertera den till en annan datatyp.
- Skapa en tensor med namnet
initial_tensor
med formen(3, 3)
och normalfördelade värden. Säkerställ att denna tensor har datatypen 64-bitars flyttal. - Omvandla
initial_tensor
till en tensor kalladconverted_tensor
med datatypen 16-bitars flyttal.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 5.56
Datatyper
Svep för att visa menyn
Datatyper
I det här avsnittet utforskas begreppet datatyper i TensorFlow. Precis som programmeringsspråk kategoriserar siffror och text i typer som heltal, flyttal eller strängar, har tensorer i TensorFlow också specifika typer.
Tillgängliga datatyper i TensorFlow
TensorFlow stöder ett stort antal datatyper för att hantera olika typer av data och operationer. Några av de mest använda typerna är:
-
tf.float16
,tf.float32
,tf.float64
: dessa är flyttal där siffrorna efter decimaltecknet är viktiga. Siffran i namnet (som16
itf.float16
) anger antalet bitar som används.tf.float32
används ofta eftersom den ger en bra balans mellan precision och beräkningshastighet; -
tf.int8
,tf.int16
,tf.int32
,tf.int64
: dessa är heltalstyper, siffror utan decimaltecken. De kan vara både positiva och negativa; -
tf.uint8
,tf.uint16
,tf.uint32
,tf.uint64
: 'u' står här för 'unsigned', vilket innebär att dessa heltal alltid är icke-negativa; -
tf.bool
: representerar booleska värden (True
ellerFalse
); -
tf.string
: för textdata.
För heltalstyper innebär ett högre tal i namnet endast ett större värdeintervall som kan lagras. För flyttalstyper indikerar ett högre tal i namnet även högre beräkningsnoggrannhet.
Det finns fler datatyper tillgängliga i TensorFlow, men för nybörjare är det viktigt att först bekanta sig med dessa primära typer. För en fullständig lista över datatyper som stöds av TensorFlow, se gärna denna specifika sida i TensorFlow-dokumentationen.
Ange datatyp vid skapande av tensor
Vid initiering av en tensor kan du specificera dess typ med argumentet dtype
:
123456789101112import tensorflow as tf # Creating a tensor of type `float16` tensor_float = tf.constant([1.2, 2.3, 3.4], dtype=tf.float16) # Creating a tensor of type `int64` tensor_int = tf.constant([1, 2, 3], dtype=tf.int64) # Display tensors print(tensor_float) print('-' * 50) print(tensor_int)
Många tensor-skapandefunktioner använder detta tillvägagångssätt. Det gäller metoder som tf.Variable()
, tf.zeros()
, tf.ones()
, tf.random.normal()
, tf.random.uniform()
och även tf.convert_to_tensor()
.
Konvertering mellan datatyper
Men vad händer om funktionen du använder inte tillåter direkt specifikation av datatyp? Eller kanske har du redan en tensor av en viss typ och behöver ändra den. I dessa fall måste du transformera tensorer från en datatyp till en annan. Detta är särskilt relevant eftersom vissa neurala nätverksoperationer eller lager ofta kräver indata av en viss typ, främst flyttal.
Du kan använda tf.cast()
för att uppnå detta:
123456789101112import tensorflow as tf # Create a tensor tensor_float = tf.constant([-1.2, 2.3, 3.8]) # Convert our `tensor_float` from `float32` to `int32` tensor_int_converted = tf.cast(tensor_float, dtype=tf.int32) # Display a tensor print(tensor_float) print('-' * 50) print(tensor_int_converted)
Kom ihåg att vid konvertering från ett flyttal till en heltalstyp utför TensorFlow en golvoperation, vilket innebär att decimaldelen tas bort. Så 3.8
blir 3
och -1.2
blir -1
.
Var försiktig vid byte av datatyper, särskilt när du byter till en typ med lägre precision. Du kan förlora information i processen.
Swipe to start coding
Din uppgift är att skapa en tensor av en specifik datatyp och sedan konvertera den till en annan datatyp.
- Skapa en tensor med namnet
initial_tensor
med formen(3, 3)
och normalfördelade värden. Säkerställ att denna tensor har datatypen 64-bitars flyttal. - Omvandla
initial_tensor
till en tensor kalladconverted_tensor
med datatypen 16-bitars flyttal.
Lösning
Tack för dina kommentarer!
single