Основи на TensorFlow: Tensor, Shape, Type, Sessions & Оператори

Какво е тензор?

Името на Tensorflow директно произлиза от основната му рамка: Tensor. В Tensorflow всички изчисления включват тензори. Тензорът е вектор или матрица от n-измерения, която представлява всички видове данни. Всички стойности в тензор съдържат идентичен тип данни с известна (или частично известна) форма. Формата на данните е размерността на матрицата или масива.

Тензор може да бъде произведен от входните данни или резултата от изчислението. В TensorFlow всички операции се извършват в графика. Графиката е набор от изчисления, които се извършват последователно. Всяка операция се нарича оп възел и са свързани помежду си.

Графиката очертава операциите и връзките между възлите. Той обаче не показва стойностите. Ръбът на възлите е тензор, т.е. начин за попълване на операцията с данни.

В машинното обучение моделите се подават със списък на обекти, наречени вектори на характеристиките. Функционалният вектор може да бъде от всякакъв тип данни. Векторът на характеристиките обикновено ще бъде основният вход за попълване на тензор. Тези стойности ще се влеят в оп възел през тензора и резултатът от тази операция / изчисление ще създаде нов тензор, който от своя страна ще бъде използван в нова операция. Всички тези операции могат да се видят в графиката.

В този урок ще научите основите на TensorFlow като-

• Какво е тензор?
• Представяне на тензор
• Видове тензор
• Създайте тензор на n-измерение
• Форма на тензор
• Тип данни
• Създаване на оператор
• Някои полезни оператори TensorFlow
• Променливи
• Placeholder
• Сесия
• Графика

Представяне на тензор

В TensorFlow, тензорът е колекция от вектори на характеристики (т.е. масив) от n-измерения. Например, ако имаме матрица 2x3 със стойности от 1 до 6, пишем:

Представяне на тензор

TensorFlow представя тази матрица като:

[[1, 2, 3],[4, 5, 6]] 

Ако създадем триизмерна матрица със стойности от 1 до 8, имаме:

TensorFlow представя тази матрица като:

[ [[1, 2],[[3, 4],[[5, 6],[[7,8] ] 

Забележка: Тензор може да бъде представен със скалар или може да има форма повече от три измерения. Просто е по-сложно да се визуализира по-високо ниво на измерение.

Видове тензор

В TensorFlow всички изчисления преминават през един или повече тензори. Tf.tensor е обект с три свойства:

• Уникален етикет (име)
• Измерение (форма)
• Тип данни (dtype)

Всяка операция, която ще направите с TensorFlow, включва манипулиране на тензор. Има четири основни типа тензор, които можете да създадете:

• tf.Променлива
• tf.постоянно
• tf.placeholder
• tf.SparseTensor

В този урок ще научите как да създадете tf.constant и tf.Variable.

Преди да преминем през урока, уверете се, че сте активирали конда средата с TensorFlow. Нарекохме тази среда hello-tf.

За потребител на MacOS:

source activate hello-tf 

За потребител на Windows:

activate hello-tf 

След като направите това, сте готови да импортирате tensorflow

# Import tfimport tensorflow as tf 

Създайте тензор на n-измерение

Започвате със създаването на тензор с едно измерение, а именно скалар.

За да създадете тензор, можете да използвате tf.constant (), както е показано в долния пример за форма на тензор TensorFlow:

tf.constant(value, dtype, name = "")arguments- `value`: Value of n dimension to define the tensor. Optional- `dtype`: Define the type of data:- `tf.string`: String variable- `tf.float32`: Float variable- `tf.int16`: Integer variable- "name": Name of the tensor. Optional. By default, `Const_1:0` 

За да създадете тензор с размер 0, изпълнете следния код

## rank 0# Default namer1 = tf.constant(1, tf.int16)print(r1)

Изход

Tensor("Const:0", shape=(), dtype=int16) 

# Named my_scalarr2 = tf.constant(1, tf.int16, name = "my_scalar")print(r2) 

Изход

Tensor("my_scalar:0", shape=(), dtype=int16) 

Всеки тензор се показва с името на тензора. Всеки тензорен обект се дефинира с тензорни атрибути като уникален етикет (име), измерение (форма) и типове данни TensorFlow (dtype).

Можете да дефинирате тензор с десетични стойности или със низ, като промените типа на данните.

# Decimalr1_decimal = tf.constant(1.12345, tf.float32)print(r1_decimal)# Stringr1_string = tf.constant("Guru99", tf.string)print(r1_string) 

Изход

Tensor("Const_1:0", shape=(), dtype=float32)Tensor("Const_2:0", shape=(), dtype=string) 

Тензор на измерение 1 може да бъде създаден, както следва:

## Rank 1r1_vector = tf.constant([1,3,5], tf.int16)print(r1_vector)r2_boolean = tf.constant([True, True, False], tf.bool)print(r2_boolean) 

Изход

Tensor("Const_3:0", shape=(3,), dtype=int16)Tensor("Const_4:0", shape=(3,), dtype=bool) 

Можете да забележите, че формата TensorFlow е съставена само от 1 колона.

За да създадете масив от 2 тензорни размери, трябва да затворите скобите след всеки ред. Проверете примера за форма на Keras Tensor по-долу

## Rank 2r2_matrix = tf.constant([ [1, 2],[3, 4] ],tf.int16)print(r2_matrix) 

Изход

Tensor("Const_5:0", shape=(2, 2), dtype=int16) 

Матрицата има 2 реда и 2 колони, изпълнени със стойности 1, 2, 3, 4.

Матрица с 3 измерения се изгражда чрез добавяне на друго ниво със скобите.

## Rank 3r3_matrix = tf.constant([ [[1, 2],[3, 4],[5, 6]] ], tf.int16)print(r3_matrix) 

Изход

Tensor("Const_6:0", shape=(1, 3, 2), dtype=int16) 

Матрицата прилича на снимката две.

Форма на тензор

Когато отпечатвате тензор, TensorFlow отгатва формата. Можете обаче да получите формата на тензора със свойството за форма TensorFlow.

По-долу конструирате матрица, пълна с число от 10 до 15 и проверявате формата на m_shape

# Shape of tensorm_shape = tf.constant([ [10, 11],[12, 13],[14, 15] ])m_shape.shape 

Изход

TensorShape([Dimension(3), Dimension(2)]) 

Матрицата има 3 реда и 2 колони.

TensorFlow има полезни команди за създаване на вектор или матрица, запълнена с 0 или 1. Например, ако искате да създадете 1-D тензор със специфична форма 10, изпълнен с 0, можете да стартирате кода по-долу:

# Create a vector of 0print(tf.zeros(10)) 

Изход

Tensor("zeros:0", shape=(10,), dtype=float32) 

Свойството работи и за матрица. Тук създавате матрица 10x10, пълна с 1

# Create a vector of 1print(tf.ones([10, 10])) 

Изход

Tensor("ones:0", shape=(10, 10), dtype=float32) 

Можете да използвате формата на дадена матрица, за да направите вектор от единици. Матрицата m_shape е с размери 3x2. Можете да създадете тензор с 3 реда, попълнени от един със следния код:

# Create a vector of ones with the same number of rows as m_shapeprint(tf.ones(m_shape.shape[0])) 

Изход

Tensor("ones_1:0", shape=(3,), dtype=float32) 

Ако предадете стойността 1 в скобата, можете да конструирате вектор от единици, равен на броя на колоните в матрицата m_shape.

# Create a vector of ones with the same number of column as m_shapeprint(tf.ones(m_shape.shape[1])) 

Изход

Tensor("ones_2:0", shape=(2,), dtype=float32) 

И накрая, можете да създадете матрица 3x2 само с една

print(tf.ones(m_shape.shape)) 

Изход

Tensor("ones_3:0", shape=(3, 2), dtype=float32) 

Тип данни

Второто свойство на тензор е типът данни. Тензорът може да има само един тип данни наведнъж. Тензорът може да има само един тип данни. Можете да върнете типа със свойството dtype.

print(m_shape.dtype) 

Изход

В някои случаи искате да промените типа данни. В TensorFlow е възможно с метода tf.cast.

Пример

По-долу плаващ тензор се преобразува в цяло число, като използвате метода.

# Change type of datatype_float = tf.constant(3.123456789, tf.float32)type_int = tf.cast(type_float, dtype=tf.int32)print(type_float.dtype)print(type_int.dtype) 

Изход

TensorFlow избира типа данни автоматично, когато аргументът не е посочен по време на създаването на тензора. TensorFlow ще познае кои са най-вероятните типове данни. Например, ако предадете текст, той ще предположи, че това е низ и ще го преобразува в низ.

Създаване на оператор

Някои полезни оператори TensorFlow

Знаете как да създадете тензор с TensorFlow. Време е да се научите как да извършвате математически операции.

TensorFlow съдържа всички основни операции. Можете да започнете с една проста. Ще използвате метода TensorFlow, за да изчислите квадрата на число. Тази операция е ясна, тъй като за изграждането на тензора е необходим само един аргумент.

Квадратът на число се конструира с tf.sqrt (x) с x като плаващо число.

x = tf.constant([2.0], dtype = tf.float32)print(tf.sqrt(x)) 

Изход

Tensor("Sqrt:0", shape=(1,), dtype=float32) 

Забележка: Изходът върна тензорен обект, а не резултата от квадрата на 2. В примера отпечатвате дефиницията на тензора, а не действителната оценка на операцията. В следващия раздел ще научите как работи TensorFlow за изпълнение на операциите.

Следва списък с често използвани операции. Идеята е същата. Всяка операция изисква един или повече аргументи.

• tf.add (a, b)
• tf. резюме (a, b)
• tf умножете (a, b)
• tf.div (a, b)
• tf.pow (a, b)
• tf.exp (а)
• tf.sqrt (а)

Пример

# Addtensor_a = tf.constant([[1,2]], dtype = tf.int32)tensor_b = tf.constant([[3, 4]], dtype = tf.int32)tensor_add = tf.add(tensor_a, tensor_b)print(tensor_add) 

Изход

Tensor("Add:0", shape=(1, 2), dtype=int32) 

Обяснение на кода

Създайте два тензора:

• един тензор с 1 и 2
• един тензор с 3 и 4

Събирате и двата тензора.

Забележете : че и двата тензора трябва да имат еднаква форма. Можете да изпълните умножение по двата тензора.

# Multiplytensor_multiply = tf.multiply(tensor_a, tensor_b)print(tensor_multiply) 

Изход

Tensor("Mul:0", shape=(1, 2), dtype=int32) 

Променливи

Досега сте създали само постоянни тензори. Не е от голяма полза. Данните винаги пристигат с различни стойности, за да уловите това, можете да използвате класа Variable. Той ще представлява възел, където стойностите винаги се променят.

За да създадете променлива, можете да използвате метода tf.get_variable ()

tf.get_variable(name = "", values, dtype, initializer)argument- `name = ""`: Name of the variable- `values`: Dimension of the tensor- `dtype`: Type of data. Optional- `initializer`: How to initialize the tensor. OptionalIf initializer is specified, there is no need to include the `values` as the shape of `initializer` is used. 

Например, кодът по-долу създава двумерна променлива с две произволни стойности. По подразбиране TensorFlow връща произволна стойност. Вие наименувате променливата var

# Create a Variable## Create 2 Randomized valuesvar = tf.get_variable("var", [1, 2])print(var.shape) 

Изход

(1, 2) 

Във втория пример създавате променлива с един ред и две колони. Трябва да използвате [1,2], за да създадете измерението на променливата

Стойностите на инициалите на този тензор са нула. Например, когато тренирате модел, трябва да имате начални стойности, за да изчислите тежестта на характеристиките. По-долу задавате тези първоначални стойности на нула.

var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32, initializer=tf.zeros_initializer)print(var_init_1.shape) 

Изход

(1, 2) 

Можете да предадете стойностите на константния тензор в променлива. Създавате константен тензор с метода tf.constant (). Използвате този тензор за инициализиране на променливата.

Първите стойности на променливата са 10, 20, 30 и 40. Новият тензор ще има форма 2x2.

# Create a 2x2 matrixtensor_const = tf.constant([[10, 20],[30, 40]])# Initialize the first value of the tensor equals to tensor_constvar_init_2 = tf.get_variable("var_init_2", dtype=tf.int32, initializer=tensor_const)print(var_init_2.shape) 

Изход

(2, 2) 

Placeholder

Резервоарът има за цел да захранва тензора. Placeholder се използва за инициализиране на данните за поток вътре в тензорите. За да предоставите заместител, трябва да използвате метода feed_dict. Заместителят ще бъде подаден само в рамките на сесия.

В следващия пример ще видите как да създадете заместител с метода tf.placeholder. В следващата сесия ще се научите да захранвате заместител с действителна тензорна стойност.

Синтаксисът е:

tf.placeholder(dtype,shape=None,name=None )arguments:- `dtype`: Type of data- `shape`: dimension of the placeholder. Optional. By default, shape of the data- `name`: Name of the placeholder. Optionaldata_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")print(data_placeholder_a) 

Изход

Tensor("data_placeholder_a:0", dtype=float32) 

Сесия

TensorFlow работи около 3 основни компонента:

• Графика
• Тензор
• Сесия

Компоненти	Описание
Графика	Графиката е основна в TensorFlow. Всички математически операции (ops) се изпълняват в графика. Можете да си представите графика като проект, в който се извършват всякакви операции. Възлите представляват тези операции, те могат да абсорбират или да създадат нови тензори.
Тензор	Тензор представлява данните, които напредват между операциите. По-рано видяхте как да инициализирате тензор. Разликата между константа и променлива е, че първоначалните стойности на променливата ще се променят с течение на времето.
Сесия	Сесията ще изпълни операцията от графиката. За да захранвате графиката със стойностите на тензор, трябва да отворите сесия. В рамките на сесия трябва да стартирате оператор, за да създадете изход.

Графиките и сесиите са независими. Можете да изпълните сесия и да получите стойностите, които да използвате по-късно за по-нататъшни изчисления.

В примера по-долу ще:

• Създайте два тензора
• Създайте операция
• Отворете сесия
• Отпечатайте резултата

Стъпка 1) Създавате два тензора x и y

## Create, run and evaluate a sessionx = tf.constant([2])y = tf.constant([4]) 

Стъпка 2) Създавате оператора, като умножавате x и y

## Create operatormultiply = tf.multiply(x, y) 

Стъпка 3) Отваряте сесия. Всички изчисления ще се извършват в рамките на сесията. Когато сте готови, трябва да затворите сесията.

## Create a session to run the codesess = tf.Session()result_1 = sess.run(multiply)print(result_1)sess.close() 

Изход

[8] 

Обяснение на кода

• tf.Session (): Отворете сесия. Всички операции ще текат в рамките на сесиите
• стартиране (умножаване): изпълнете операцията, създадена в стъпка 2.
• print (result_1): Накрая можете да отпечатате резултата
• close (): Затворете сесията

Резултатът показва 8, което е умножението на x и y.

Друг начин за създаване на сесия е вътре в блок. Предимството е, че автоматично затваря сесията.

with tf.Session() as sess:result_2 = multiply.eval()print(result_2) 

Изход

[8] 

В контекста на сесията можете да използвате метода eval (), за да изпълните операцията. Еквивалентно е на run (). Това прави кода по-четлив.

Можете да създадете сесия и да видите стойностите в тензорите, които сте създали досега.

## Check the tensors created beforesess = tf.Session()print(sess.run(r1))print(sess.run(r2_matrix))print(sess.run(r3_matrix)) 

Изход

1[[1 2][3 4]][[[1 2][3 4][5 6]]] 

Променливите са празни по подразбиране, дори след като създадете тензор. Трябва да инициализирате променливата, ако искате да я използвате. Обектът tf.global_variables_initializer () трябва да бъде извикан, за да инициализира стойностите на променлива. Този обект изрично ще инициализира всички променливи. Това е полезно, преди да обучите модел.

Можете да проверите стойностите на променливите, които сте създали преди. Имайте предвид, че трябва да използвате run, за да оцените тензора

sess.run(tf.global_variables_initializer())print(sess.run(var))print(sess.run(var_init_1))print(sess.run(var_init_2)) 

Изход

[[-0.05356491 0.75867283]][[0 0]][[10 20][30 40]] 

Можете да използвате запазеното място, което сте създали преди, и да го подадете с действителна стойност. Трябва да предадете данните в метода feed_dict.

Например, ще вземете мощността на 2 от заместителя data_placeholder_a.

import numpy as nppower_a = tf.pow(data_placeholder_a, 2)with tf.Session() as sess:data = np.random.rand(1, 10)print(sess.run(power_a, feed_dict={data_placeholder_a: data})) # Will succeed. 

Обяснение на кода

• import numpy as np: Импортиране на numpy библиотека за създаване на данни
• tf.pow (data_placeholder_a, 2): Създайте операционната система
• np.random.rand (1, 10): Създайте произволен масив от данни
• feed_dict = {data_placeholder_a: data}: Нахранете запазеното място с данни

Изход

[[0.05478134 0.27213147 0.8803037 0.0398424 0.21172127 0.01444725 0.02584014 0.3763949 0.66022706 0.7565559 ]] 

Графика

TensorFlow зависи от гениален подход за оказване на операцията. Всички изчисления са представени със схема за поток на данни. Графиката на потока от данни е разработена, за да отговори на зависимостите от данни между отделните операции. Математическа формула или алгоритъм са направени от редица последователни операции. Графиката е удобен начин за визуализиране на начина на координиране на изчисленията.

Графиката показва възел и ръб . Възелът е представяне на операция, т.е. единица за изчисление. Ръбът е тензор, той може да създаде нов тензор или да консумира входните данни. Това зависи от зависимостите между отделните операции.

Структурата на графиката свързва заедно операциите (т.е. възлите) и начина, по който тези операции се подават. Имайте предвид, че графиката не показва изхода на операциите, а само помага да се визуализира връзката между отделните операции.

Да видим пример.

Представете си, че искате да оцените следната функция:

TensorFlow ще създаде графика за изпълнение на функцията. Графиката изглежда така:

Пример за графика TensorFlow

Можете лесно да видите пътя, по който тензорите ще поемат, за да достигнат крайната дестинация.

Например можете да видите, че операцията добавяне не може да бъде извършена преди и. Графиката обяснява, че ще:

1. изчисли и:
2. добавете 1) заедно
3. добави към 2)
4. добавете 3) към

x = tf.get_variable("x", dtype=tf.int32, initializer=tf.constant([5]))z = tf.get_variable("z", dtype=tf.int32, initializer=tf.constant([6]))c = tf.constant([5], name = "constant")square = tf.constant([2], name = "square")f = tf.multiply(x, z) + tf.pow(x, square) + z + c 

Обяснение на кода

• x: Инициализирайте променлива, наречена x, с постоянна стойност 5
• z: Инициализирайте променлива, наречена z, с константна стойност 6
• c: Инициализирайте постоянен тензор, наречен c, с постоянна стойност 5
• квадрат: Инициализирайте постоянен тензор, наречен квадрат с константна стойност 2
• f: Изградете оператора

В този пример избираме да запазим стойностите на променливите фиксирани. Също така създадохме константен тензор, наречен c, който е постоянният параметър във функцията f. Отнема фиксирана стойност от 5. На графиката можете да видите този параметър в тензора, наречен константа.

Също така конструирахме константен тензор за мощността в оператора tf.pow (). Не е необходимо. Направихме го така, че да можете да видите името на тензора в графиката. Това е кръгът, наречен квадрат.

От графиката можете да разберете какво ще се случи с тензорите и как може да върне изход от 66.

Кодът по-долу оценява функцията в сесия.

init = tf.global_variables_initializer() # prepare to initialize all variableswith tf.Session() as sess:init.run() # Initialize x and yfunction_result = f.eval()print(function_result) 

Изход

[66] 

Обобщение

TensorFlow работи около:

• Графика : Изчислителна среда, съдържаща операциите и тензорите
• Тензори : Представлява данните (или стойността), които ще текат в графиката. Това е ръбът на графиката
• Сесии : Разрешаване на изпълнението на операциите

Създайте постоянен тензор

постоянна	обект
D0	tf.constant (1, tf.int16)
D1	tf.constant ([1,3,5], tf.int16)
D2	tf.constant ([[1, 2], [3, 4]], tf.int16)
D3	tf.constant ([[[1, 2], [3, 4], [5, 6]]], tf.int16)

Създайте оператор

Създайте оператор	Обект
a + b	tf.add (a, b)
a * b	tf умножете (a, b)

Създайте променлив тензор

Създайте променлива	обект
рандомизирана стойност	tf.get_variable ("var", [1, 2])
инициализирана първа стойност	tf.get_variable ("var_init_2", dtype = tf.int32, инициализатор = [[1, 2], [3, 4]])

Отворете сесия

Сесия	обект
Създайте сесия	tf.Session ()
Изпълнете сесия	tf.Session.run ()
Оценете тензор	променлива_име.eval ()
Затворете сесия	sess.close ()
Сесия по блок	с tf.Session () като sess: