Арифметичні операції

TensorFlow надає численні арифметичні операції для маніпуляцій з тензорами. Ці операції, як і багато інших у TensorFlow, підтримують бродкастинг, що спрощує виконання поелементних операцій над тензорами різних форм.

Додавання

Для додавання тензорів можна використовувати методи tf.add(), .assign_add() та знак плюс +. Також можна застосовувати бродкастинг як із знаком плюс +, так і з методом tf.add().

Бродкастинг дозволяє виконувати поелементні операції над тензорами різних, але сумісних форм шляхом віртуального розширення меншого тензора до розміру більшого.


              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)

Примітка

Для методу inplace основним елементом має бути змінний тип Variable, а не константа.

Віднімання

Існують аналогічні методи для віднімання, як і для додавання:

tf.add() змінюється на tf.subtract();
Знак плюс + змінюється на знак мінус -;
.assign_add() змінюється на .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)

Множення (покомпонентне)

Для множення не існує методу, що змінює об'єкт на місці, оскільки матричне множення завжди створює новий об'єкт. Проте інші операції мають свої відповідники:

tf.add() відповідає tf.multiply();
Знак плюс + відповідає знаку зірочки *.


              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)

Ділення

Аналогічно до множення, але з використанням tf.divide() та знаку /.


              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)

Трансляція (Broadcasting)

Трансляція — це термін, який використовується для опису того, як тензори з різними формами автоматично та неявно обробляються під час арифметичних операцій так, що вони виглядають так, ніби мають однакову форму. Це дозволяє виконувати операції над тензорами різних розмірів без необхідності попередньо змінювати їхній розмір.

Дізнатися більше

Для глибшого розуміння трансляції можна звернутися до офіційної сторінки документації NumPy з цього питання.

Завдання

Swipe to start coding

Дано набір матриць, виконайте наступні операції:

Додавання на місці для матриці 2x2.
Віднімання за допомогою методу tf.subtract() для матриці 2x3.
Множення з трансляцією матриці 3x2 з іншою матрицею 1x2.
Ділення з трансляцією між двома матрицями, одна розміром 2x3, інша — 2x1.

Примітка

Зверніть увагу на поведінку трансляції під час операцій множення та ділення. При множенні це подібно до множення [[1, 2], [3, 4], [5, 6]] на [[2, 4], [2, 4], [2, 4]]. При діленні це подібно до ділення [[2, 4, 6], [4, 8, 12]] на [[2, 2, 2], [4, 4, 4]].

У першому випадку трансляція розширює матрицю по 0-й осі (перший параметр форми), а в другому випадку матриця розширюється по 1-й осі (другий параметр форми). Це залежить від форми матриць.

Рішення

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 8

single

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Awesome!

Completion rate improved to 5.56

Свайпніть щоб показати меню

Арифметичні операції

Додавання


              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)

Примітка

Для методу inplace основним елементом має бути змінний тип Variable, а не константа.

Віднімання

Існують аналогічні методи для віднімання, як і для додавання:

tf.add() змінюється на tf.subtract();
Знак плюс + змінюється на знак мінус -;
.assign_add() змінюється на .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)

Множення (покомпонентне)

tf.add() відповідає tf.multiply();
Знак плюс + відповідає знаку зірочки *.


              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)

Ділення

Аналогічно до множення, але з використанням tf.divide() та знаку /.


              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)

Трансляція (Broadcasting)

Дізнатися більше

Завдання

Swipe to start coding

Дано набір матриць, виконайте наступні операції:

Додавання на місці для матриці 2x2.
Віднімання за допомогою методу tf.subtract() для матриці 2x3.
Множення з трансляцією матриці 3x2 з іншою матрицею 1x2.
Ділення з трансляцією між двома матрицями, одна розміром 2x3, інша — 2x1.

Примітка

Зверніть увагу на поведінку трансляції під час операцій множення та ділення. При множенні це подібно до множення [[1, 2], [3, 4], [5, 6]] на [[2, 4], [2, 4], [2, 4]]. При діленні це подібно до ділення [[2, 4, 6], [4, 8, 12]] на [[2, 2, 2], [4, 4, 4]].

У першому випадку трансляція розширює матрицю по 0-й осі (перший параметр форми), а в другому випадку матриця розширюється по 1-й осі (другий параметр форми). Це залежить від форми матриць.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 8

single

Базові Операції: Арифметика

Арифметичні операції

Додавання

Віднімання

Множення (покомпонентне)

Ділення

Трансляція (Broadcasting)

Рішення

Awesome!

Базові Операції: Арифметика

Арифметичні операції

Додавання

Віднімання

Множення (покомпонентне)

Ділення

Трансляція (Broadcasting)

Рішення