Tensorflow 简明教程
TensorFlow - Basics
在本章中,我们将学习 TensorFlow 的基础知识。我们将首先了解张量的基础数据结构。
Tensor Data Structure
在 TensorFlow 语言中,张量用作基础数据结构。张量表示任意流图(称为数据流图)中的连接边缘。张量被定义为数组或列表的多维形式。
张量由以下三个参数标识:
Two dimensional Tensors
数组序列用于创建“二维张量”。
二维张量的创建如下所述 −
以下是创建二维数组的完整语法 −
>>> import numpy as np
>>> tensor_2d = np.array([(1,2,3,4),(4,5,6,7),(8,9,10,11),(12,13,14,15)])
>>> print(tensor_2d)
[[ 1 2 3 4]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
>>>
可以用行号和指定为索引号的列号来追踪二维张量的特定元素。
>>> tensor_2d[3][2]
14
Tensor Handling and Manipulations
在本节中,我们将学习张量处理和操作。
首先,我们考虑以下代码 −
import tensorflow as tf
import numpy as np
matrix1 = np.array([(2,2,2),(2,2,2),(2,2,2)],dtype = 'int32')
matrix2 = np.array([(1,1,1),(1,1,1),(1,1,1)],dtype = 'int32')
print (matrix1)
print (matrix2)
matrix1 = tf.constant(matrix1)
matrix2 = tf.constant(matrix2)
matrix_product = tf.matmul(matrix1, matrix2)
matrix_sum = tf.add(matrix1,matrix2)
matrix_3 = np.array([(2,7,2),(1,4,2),(9,0,2)],dtype = 'float32')
print (matrix_3)
matrix_det = tf.matrix_determinant(matrix_3)
with tf.Session() as sess:
result1 = sess.run(matrix_product)
result2 = sess.run(matrix_sum)
result3 = sess.run(matrix_det)
print (result1)
print (result2)
print (result3)
Output
上述代码将生成以下输出 −