Aritmetik

Aritmetiska operationer

TensorFlow tillhandahåller många aritmetiska operationer för tensor-manipulationer. Dessa operationer och många andra i TensorFlow stöder broadcasting, vilket gör det enklare att utföra elementvisa operationer på tensorer med olika former.

Addition

För addition av tensorer kan vi använda tf.add(), .assign_add()-metoder och plustecknet +. Vi kan också använda broadcasting med plustecknet + eller med metoden tf.add().

Broadcasting gör det möjligt att utföra elementvisa operationer på tensorer med olika, men kompatibla, former genom att virtuellt expandera den mindre tensorn så att den matchar formen på den större tensorn.


              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)

Notering

För den direkta metoden måste det grundläggande elementet vara av typen muterbar Variable och inte en konstant.

Subtraktion

Det finns motsvarigheter för alla metoder för subtraktion som för addition:

tf.add() ändras till tf.subtract();
Plustecken + ändras till minustecken -;
.assign_add() ändras till .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)

Multiplikation (Elementvis)

För multiplikation finns det ingen in-place-metod eftersom matrismultiplikation alltid resulterar i ett nytt objekt. Andra operationer har dock motsvarande metoder:

tf.add() motsvarar tf.multiply();
Plustecknet + motsvarar asterisktecknet *.


              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)

Division

Liknande multiplikation, men med tf.divide() och /-tecken.


              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 är termen som används för att beskriva hur tensorer med olika former automatiskt och implicit hanteras under aritmetiska operationer så att de verkar ha samma form. Det möjliggör operationer på tensorer av olika storlekar utan att först behöva ändra deras storlek explicit.

Läs mer

För en djupare förståelse av broadcasting kan du läsa den officiella NumPy-dokumentationssidan om detta ämne.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 2. Kapitel 1

single

Svep för att visa menyn