首页 > 其他分享> 文章详细

【tf.wiki】01_TensorFlow基础（简介+基本tf属性+简单API）

2021-02-23 17:36:37 阅读：277 来源： 互联网

标签：wiki 01 dtype 张量求导 shape tf TensorFlow

TensorFlow 基础

本章介绍 TensorFlow 的基本操作。

原文链接 https://tf.wiki/zh_hans/basic/basic.html

TensorFlow 1+1

我们可以先简单地将 TensorFlow 视为一个科学计算库（类似于 Python 下的 NumPy）。

首先，我们导入 TensorFlow：

import tensorflow as tf
%%python --version
print(tf.__version__)

TensorFlow 使用张量（Tensor）作为数据的基本单位。TensorFlow 的张量在概念上等同于多维数组，我们可以使用它来描述数学中的标量（0 维数组）、向量（1 维数组）、矩阵（2 维数组）等各种量，示例如下：

# 定义一个随机数(标量)
random_float = tf.random.uniform(shape=())

# 定义一个有2个元素的零向量
zero_vector = tf.zeros(shape=(2))

# 定义两个2*2的常量矩阵
A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])

张量的 shape 、 dtype 属性和 numpy() 方法

张量的重要属性是其形状、类型和值。可以通过张量的 shape 、 dtype 属性和 numpy() 方法获得。例如：

# 查看矩阵A的形状/类型/数值
print(A.shape)
print(A.dtype)
print(A.numpy())

(2, 2)
<dtype: 'int32'>
[[1 2]
 [3 4]]

TensorFlow 的大多数 API 函数会根据输入的值自动推断张量中元素的类型（一般默认为 tf.float32 ）。

不过你也可以通过加入 dtype 参数来自行指定类型，例如 zero_vector = tf.zeros(shape=(2), dtype=tf.int32) 将使得张量中的元素类型均为整数。张量的 numpy() 方法是将张量的值转换为一个 NumPy 数组。

TensorFlow 里有大量的操作（Operation），使得我们可以将已有的张量进行运算后得到新的张量。示例如下：

C = tf.add(A, B)    # 计算矩阵A和B的和

D = tf.matmul(A, B) # 计算矩阵A和B的乘积

print(C, D)

tf.Tensor(
[[ 6  8]
 [10 12]], shape=(2, 2), dtype=int32) tf.Tensor(
[[19 22]
 [43 50]], shape=(2, 2), dtype=int32)

自动求导机制 tf.GradientTape()

TensorFlow 提供了强大的自动求导机制来计算导数。在即时执行模式下，TensorFlow 引入了 tf.GradientTape() 这个 “求导记录器” 来实现自动求导。以下代码展示了如何使用 tf.GradientTape() 计算函数 y(x) = x^2 在 x = 3 时的导数：

import tensorflow as tf

x = tf.Variable(initial_value=3.)
with tf.GradientTape() as tape:     # 在 tf.GradientTape() 的上下文内，所有计算步骤都会被记录以用于求导
    y = tf.square(x) # 计算平方

y_grad = tape.gradient(y, x)        # 计算y关于x的导数
print(y, y_grad)

tf.Tensor(9.0, shape=(), dtype=float32) tf.Tensor(6.0, shape=(), dtype=float32)

这里 x 是一个初始化为 3 的变量（Variable），使用 tf.Variable() 声明。与普通张量一样，变量同样具有形状、类型和值三种属性。使用变量需要有一个初始化过程，可以通过在 tf.Variable() 中指定 initial_value 参数来指定初始值。这里将变量 x 初始化为 3. 1。变量与普通张量的一个重要区别是其默认能够被 TensorFlow 的自动求导机制所求导，因此往往被用于定义机器学习模型的参数。

tf.GradientTape() 是一个自动求导的记录器。只要进入了 with tf.GradientTape() as tape 的上下文环境，则在该环境中计算步骤都会被自动记录。比如在上面的示例中，计算步骤 y = tf.square(x) 即被自动记录。离开上下文环境后，记录将停止，但记录器 tape 依然可用，因此可以通过 y_grad = tape.gradient(y, x) 求张量 y 对变量 x 的导数。

tf.square()

tf.square() 操作代表对输入张量的每一个元素求平方，不改变张量形状。

tf.reduce_sum()

tf.reduce_sum() 操作代表对输入张量的所有元素求和，输出一个形状为空的纯量张量（可以通过 axis 参数来指定求和的维度，不指定则默认对所有元素求和）。

TensorFlow 中有大量的张量操作 API，包括数学运算、张量形状操作（如 tf.reshape()）、切片和连接（如 tf.concat()）等多种类型，可以通过查阅 TensorFlow 的官方 API 文档 2 来进一步了解。(类似于numpy操作)

标签：wiki,01,dtype,张量,求导,shape,tf,TensorFlow
来源： https://www.cnblogs.com/zhazhaacmer/p/14437196.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9