Lära Datatyper

Avsnitt 1. Kapitel 7

single

Svep för att visa menyn

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 punkten är viktiga. Siffran i namnet (som 16 i tf.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, tal utan decimalpunkt. 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 eller False);
tf.string: för textdata.

Notera

För heltalstyper innebär ett högre tal i namnet endast ett större värdeintervall som kan lagras. Men för flyttalstyper indikerar ett högre tal i namnet också högre beräkningsnoggrannhet.

Det finns fler datatyper tillgängliga i TensorFlow, men för nybörjare är det viktigt att först bekanta sig med dessa grundläggande 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 datatypen specificeras med argumentet dtype:


              123456789101112
            
import 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)

Observera

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 specifik typ, främst flyttal.

Du kan använda tf.cast() för detta:


              123456789101112
            
import 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)

Observera att vid konvertering från flyttalstyp till heltalstyp kommer TensorFlow att utföra en golvoperation, vilket innebär att decimaldelen tas bort. Så 3.8 blir 3 och -1.2 blir -1.

Observera

Var försiktig när du ändrar datatyper, särskilt när du byter till en typ med lägre precision. Du kan förlora information i processen.

Uppgift

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 kallad converted_tensor med datatypen 16-bitars flyttal.

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 7

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal