[TensorFlow系列-7]：TensorFlow基础 - 张量的算术运算

最新推荐文章于 2023-05-18 14:20:00 发布
最新推荐文章于 2023-05-18 14:20:00 发布
阅读量1.5w 收藏 3
点赞数 3
分类专栏： 人工智能-TensorFlow 人工智能-深度学习 文章标签： 深度学习 Tensorflow 张量 算术运算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119620066
版权

 作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119620066

目录

 第1章 Tensor运算概述

1.1 概述

1.3  “in place“运算 

1.4 Tensor的广播机制

1.5 环境准备

1.6 算术运算概述：加、减、系数乘、系数除

第2章 加法运算：add

第3章 减法运算：subtract

第4章 乘法运算：multiply

第5章除法运算：divide

第6章 倒数运算 /

第7章 幂运算：power()

第8章 广播机制

 第1章 Tensor运算概述

1.1 概述

TensorFlow提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。

这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。

https://tensorflow.google.cn/tutorials/quickstart/beginner?hl=zh-cn

 1.2 运算分类

（1）算术运算：加、减、系数乘、系数除

（2）函数运算：sin，cos

（3）取整运算：上取整、下取整

（4）统计运算：最大值、最小值、均值

（5）线性代数运算

1.3  “in place“运算 

NA

1.4 Tensor的广播机制

实现不同维度tensor的扩展运算

1.5 环境准备

#环境准备
import numpy as np
import tensorflow as tf
print("hello world")
print("tensorflow version:", tf.__version__)

1.6 算术运算概述：加、减、系数乘、系数除

Tensor算术函数包含简单的加减乘除运算: add()，subtract()，multiply() 和 divide()。

算术运算后得到的结果依然是是相同维度的数组。

第2章 加法运算：add

#代码实例
a = tf.range(9)
print ('原数据a：')
print (a)
print ('\n')

b = tf.range(9)
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a+b)
print (tf.add(a,b))
#print (a.add(b))   #不支持
print ('\n')

print (a)
print ('\n')

输出结果为：

原数据a：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)


原数据b：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)


运算后数据：
tf.Tensor([ 0  2  4  6  8 10 12 14 16], shape=(9,), dtype=int32)
tf.Tensor([ 0  2  4  6  8 10 12 14 16], shape=(9,), dtype=int32)


tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)

第3章 减法运算：subtract

#代码实例

a = tf.range(1,10)
print ('原数据a：')
print (a)
print ('\n')

b = tf.range(0,9)
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a-b)
print (tf.subtract(a,b))
#print (a.subtract(b)) 不支持
print ('\n')

print (a)
print ('\n')

#输出结果

原数据a：
tf.Tensor([1 2 3 4 5 6 7 8 9], shape=(9,), dtype=int32)


原数据b：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)


运算后数据：
tf.Tensor([1 1 1 1 1 1 1 1 1], shape=(9,), dtype=int32)
tf.Tensor([1 1 1 1 1 1 1 1 1], shape=(9,), dtype=int32)


tf.Tensor([1 2 3 4 5 6 7 8 9], shape=(9,), dtype=int32)

第4章 乘法运算：multiply

#代码实例

a = tf.constant([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')

b = tf.constant([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a*b)
print (tf.multiply(a,b))
# print (a.multiply(b)) #不支持
print ('\n')

print (a)
print ('\n')

#输出结果

原数据a：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


原数据b：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


运算后数据：
tf.Tensor([  4  16  36  64 100 144], shape=(6,), dtype=int32)
tf.Tensor([  4  16  36  64 100 144], shape=(6,), dtype=int32)


tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)

第5章除法运算：divide

#代码实例

a = tf.constant([2,4,6,8,10,12])
print ('原数据a：')
print (a)
print ('\n')

b = tf.constant([2,4,6,8,10,12])
print ('原数据b：')
print (b)
print ('\n')

print ('运算后数据：')
print (a/b)
print (tf.divide(a,b))
# print (a.divide(b)) # 不支持
print ('\n')

print (a)
print ('\n')

#输出结果

原数据a：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


原数据b：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


运算后数据：
tf.Tensor([1. 1. 1. 1. 1. 1.], shape=(6,), dtype=float64)
tf.Tensor([1. 1. 1. 1. 1. 1.], shape=(6,), dtype=float64)


tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)

第6章 倒数运算 /

reciprocal() 函数返回参数逐元素的倒数。如 1/4 倒数为 4/1。

#实例

a = tf.constant([2,4,5,8,10,20])
print("原数据a")
print(a)

#导数运算
print("运算数据")
print(1/a)
# print(tf.reciprocal(a)) #不支持
# print(a.reciprocal()) # 不支持

print("原数据")
print (a)
#输出结果为：

原数据a
tf.Tensor([ 2  4  5  8 10 20], shape=(6,), dtype=int32)
运算数据
tf.Tensor([0.5   0.25  0.2   0.125 0.1   0.05 ], shape=(6,), dtype=float64)
原数据
tf.Tensor([ 2  4  5  8 10 20], shape=(6,), dtype=int32)

第7章 幂运算：power()

power() 函数将第一个输入数组中的元素作为底数，计算它与第二个输入数组中相应元素的幂。

#实例

a = tf.constant([10,10,10,10,10])
b = tf.constant([1,2,3,4,5])
print("原数据a")
print(a)
print("原数据b")
print(b)

#导数运算
print("运算后数据")
#print(a^b)
print(tf.pow(a,b))
# print(a.pow(b))  #不支持

print("原数据a")
print (a)
#输出结果为：

原数据a
tf.Tensor([10 10 10 10 10], shape=(5,), dtype=int32)
原数据b
tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)
运算后数据
tf.Tensor([    10    100   1000  10000 100000], shape=(5,), dtype=int32)
原数据a
tf.Tensor([10 10 10 10 10], shape=(5,), dtype=int32)

第8章 广播机制

当两个张量的维度不同，对他们进行运算时，需要对维度小的张量进行扩展，扩展成高纬度的张量，这个扩展的过程采用的是广播机制，即对低维度数据进行广播式（拷贝）扩展。

a = tf.range(9)
print ('原数据：')
print (a)

b = tf.reshape(a, [3,3])
print ('\n第一个数组：')
print (b)

print ('\n第二个数组：')
c = np.array([10,10,10])  
print (c)

print ('\n两个数组相加：')
print (np.add(b,c))
输出结果：

原数据：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)

第一个数组：
tf.Tensor(
[[0 1 2]
 [3 4 5]
 [6 7 8]], shape=(3, 3), dtype=int32)

第二个数组：
[10 10 10]

两个数组相加：
[[10 11 12]
 [13 14 15]
 [16 17 18]]

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119620066

文火冰糖的硅基工坊
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Pytorch快速入门系列---（一）张量及运算
qq_42681787的博客
03-06 2985
在上面的例子中，我们演示了如何调用pytorch中的函数查看、修改默认数据类型，但是这种修改是全局的，如何我们想要把一个张量a（32位浮点型）转换为16位有符号整型但是又不影响其他张量的数据类型怎么办呢？我们接着看下面一个例子。torch.sort()函数：对一维张量进行排序，或者对高维张量在指定的维度进行排序，在输出排序结果的同时，还会输出对应的值在原始位置的索引。张量计算主要包括张量之间的大小比较、张量的基本运算（元素之间的运算和矩阵之间的运算）、张量与统计相关的运算（排序、最大值、最小值）
[PyTroch系列-7]：PyTorch基础 - 张量的算术运算
文火冰糖（王文兵）的博客
08-05 4193
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 本文网址： 第1章Tensor运算概述 1.1 概述 PyTorch算术函数包含简单的加减乘除运算:add()，subtract()，multiply()和divide()。 算术运算后得到的结果依然是是相同维度的数组。 https://pytorch.org/docs/master/torch.html 1.2 运算分类 （1）算术运算：加、减、系数乘、系数除 （2）函...
Java:Biginteger有关的add、subtract、multiply、divide、remainder方法的应用（可用于大整数的计算）
qq_74085928的博客
04-21 818
可用add()、subtract()、multiply()、divide()、remainder()方法对定义的大整数进行计算。BigInteger可表示任意大小的整数，使用new BigInteger(String)来创建。上面的方法依此表示加、减、乘、除、比较两数的大小并输出较小的数。
tensorflow学习笔记（2）张量与计算图
满城风絮
12-25 9013
参考： http://jorditorres.org/research-teaching/tensorflow/first-contact-with-tensorflow-book/first-contact-with-tensorflow/#cap1 https://www.jianshu.com/p/c62fdd13561e
tensorflow 2.0 基础知识点5 （数据统计——张量运算）
m0_45096530的博客
11-22 872
数据统计：求张量在某个维度上或者是全局上的统计值 函数 描述 tf.reduce_sum(input,axis) 求和 tf.reduce_mean(input,axis) 求平均值 tf.reduce_max(input,axis) 求最大值 tf.reduce_min(input,axis) 求最小值 <1> 求和函数——tf.reduce_sum() ...
tensorflow-gui:张量流的GUI
04-30
TensorFlow GUI 该项目旨在开发与TensorFlow兼容的GUI，以执行TensorFlow完成的所有操作。 学生： Vikas Gola 导师： Monjoy Saha （ ）和Pooya Mobadersany （ ）进展与特点Tensorflow-GUI的进度和功能可以在检查。...
TensorFlow2.0-示例：algorithm困难算法，简单代码
02-03
:party_popper:TensorFlow2.0-Examples:party_popper:! “谈话很便宜，给我看看代码。 ” ----- Linus Torvalds本教程旨在轻松进入TensorFlow2.0。 它包括笔记本和源代码以及说明。 它将不断更新！ :snake: :snake: ...
tensorflow-exercises：TensorFlow练习-专注于与NumPy的比较
02-06
TensorFlow练习截至2017年，TensorFlow无疑是最受欢迎的深度学习库。 旨在帮助那些想熟悉TensorFlow功能的人。 特别是，我专注于将TensorFlow函数与事实上的标准数值计算库NumPy中的等效函数进行比较。 我希望这可以...
tensorflow2-docs-zh:TF2.0 TensorFlow 2.0 TensorFlow2.0 官方文档中文版
05-29
TensorFlow Hub with Keras使用预训练CNN进行迁移学习 Transfer Learning Using Pretrained ConvNets基础 - 文本分类使用RNN对文本分类进行分类 Text classification with an RNN进阶 - 自定义张量和操作 Tensors ...
tensorflow-crnn:tensorflow slim实现crnn
05-23
张量流 Tensorflow slim实现卷积循环神经网络（CRNN），用于基于图像的序列识别任务，例如场景文本识别和OCR。 安装 pip install -r requirements.txt 例子 captcha生成图像看起来像这样 训练有素的模型可以从下载 ...
pytorch中张量的运算
m0_45827246的博客
01-01 2793
在深度学习中，经常需要对张量做四则、线性变换和激活等。 1. 单个张量的函数运算 t = torch.rand(2, 2) # 产生一个3x3的张量 print(t) print(t.sqrt()) # 张量的平方根，张量内部方法 print(torch.sqrt(t)) # 张量的平方根，函数形式 print(t.sqrt_()) # 平方根原地操作 print(torch.sum(t)) # 所有元素求和 print(torch.sum(t, 0)) # 第0维元素求和 print(torc
TensorFlow教程（五）：张量操作
观月执白
03-28 938
张量的基本操作有：加，减，乘，除。因为目前TensorFlow的版本更新比较快，而且感觉根据最新的版本更替张量的数值操作都在向着tf.math模块迁移。具体的API要根据版本来定。 这里需要注意的是关于div()的操作： 1、TensorFlow提供div()的多种变化形式和相关的函数。 2、div()返回值与输入数据类型一致。 注：在Python2中，整数除法的实际返回值是商的向下取整...
tensorflow张量详解
热门推荐
机器学习爱好者
04-27 1万+
从TensorFlow的名字就可以看出张量(tensor)是一个很重的概念。在tensorflow程序中所有的数据都通过张量的形式来表示。从功能的角度看，张量可以被理解为多维数组。其中零阶张量表示标量（scalar）也就是一个数；一阶张量为向量，也就是一维数组；n阶张量可以理解为一个n维数组。但张量的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有保存数字，
tensorflow基础之张量（Tensor）、阶（Rank）、计算图（Graph）、节点（Node）
Astar的博客
01-09 4682
tensorflow对张量（Tensor）是这样定义的： 张量是对矢量和矩阵向潜在的更高维度的泛化。TensorFlow 在内部将张量表示为基本数据类型的 n 维数组。 显然，tensorflow将张量定义为多维数组。 【相关资料】 TensorFlow从0到1 - 2 - TensorFlow核心编程 笔记 | 什么是张量（tensor）&amp;amp;amp;amp;amp; 深度学习 转|浅谈什么是张量tensor ...
TensorFlow入门--张量运算进阶
Junds0的博客
02-09 1236
第1关：在指定位置修改维度 - expand_dims方法与squeeze方法 本关任务：编写一个可以根据要求增加或减少张量维数的小程序。 # -*- coding: utf-8 -*- import tensorflow as tf # 根据action中参数的值修改tensor的形状 # tensor是一个TensorFlow中的张量 # action是一个TensorFlow中的一维张量 (向量), 表示要对 tensor 进行操作的序列 # action的中的值 (记为x) 含义如下: # 当x大
Tensorflow基础知识之张量操作
qinzhongyuan的博客
06-04 2568
TensorFlow基础1. 张量 1. 张量 TensorFlow中的Tensor表示张量，其实就是多维数组。 名称 区别 Python列表(list) 元素可使用不同的数据类型，可以嵌套运用；在内存中离散存放，是一个动态的指针数组，读写效率低，占用内存，且不适合做数值计算 NumPy数组(ndarray) 元素数据类型相同，在内存中连续存放，存储空间小，读写速度快 TensorFlow张量(Tensor) 高速运行于GPU和CPU上，支持CPU、嵌入式等多种计算环境，高速的实现神
TensorFlow入门--张量的定义与基本运算
Alan_King79的博客
01-23 2045
TensorFlow入门--张量的定义与基本运算一、生成张量 - Variable 、constant 与placeholder 方法二、全0张量与全1张量的生成 - zeros方法和ones方法三、生成带指定初值的张量 - fill方法总结 一、生成张量 - Variable 、constant 与placeholder 方法 编程要求： 根据提示，在右侧编辑器补全sum函数，参数 a 是 Variable，参数 b 是 constant，记 value 为 b 的值。 你需要计算从1+…+va..
【PyTorch教程】03-张量运算详细总结
Sihang_Xie的博客
07-06 2561
本篇教程介绍了PyTorch张量运算的主要操作。包括张量移到GPU进行运算、张量的切片和索引、张量的拼接、张量的转置、张量的点乘和叉乘以及自动赋值运算。相信读完本篇博文，你会得到答案。
【youcans的深度学习 09】PyTorch入门教程：张量的逐点运算
youcans的博客
05-18 1198
逐点运算包括数学基本运算、数据调整运算和数据科学运算。 数学基本运算包括加减乘除，数值调整运算包括绝对值，取整，负值等，数据运算包括幂运算、对数运算、三角函数运算、位运算运算，等等。
tensorflow cifar-10-batches-py
最新发布
07-02
### 回答1： tensorflow cifar-10-batches-py是一个经典的深度学习数据集，被广泛用于图像分类任务的训练和评估。 该数据集是CIFAR-10数据集的Python版本，提供了10个类别的60000个32x32彩色图像。其中，50000张图像作为训练集，10000张图像作为测试集。 这个数据集是用Python编写的，并且使用了pickle库来加载和处理数据。它可以通过执行"import cifar10"来导入，并使用"cifar10.load_data()"来加载其数据。 加载数据后，可以使用TensorFlow来构建一个图像分类模型。TensorFlow是一个开源的深度学习框架，可以用于构建、训练和评估机器学习模型。 使用tensorflow cifar-10-batches-py数据集，可以进行图像分类任务的实验和研究。可以结合卷积神经网络等深度学习模型，对图像进行特征提取和分类。 在训练模型时，可以使用训练集进行权重更新和优化，然后使用测试集来评估模型的性能。 总结来说，tensorflow cifar-10-batches-py是一个常用的深度学习数据集，可以用于图像分类任务的研究和实验。它结合了TensorFlow框架，提供了加载、处理和评估数据的功能。通过使用它，可以建立一个自定义的图像分类模型，并对其进行训练和评估。 ### 回答2： tensorflow cifar-10-batches-py是一个用于在tensorflow框架中处理CIFAR-10数据集的Python脚本。CIFAR-10数据集是一个广泛应用于图像分类的数据集，包含10个不同类别的影像数据，每个类别有6000个32x32大小的彩色图像。 这个Python脚本通过提供一些函数和类来加载CIFAR-10数据集，并且将图像和标签进行预处理，以便于在训练和测试模型时使用。脚本中的函数可以帮助我们将原始的二进制数据转换成可用于训练的张量形式。 该脚本提供的函数可以将CIFAR-10数据集分为训练集和测试集，并提供了一个函数用于获取下一个训练批或测试批的图像和标签。此外，该脚本还提供了一个函数用于显示CIFAR-10数据集中的图像。 使用tensorflow cifar-10-batches-py脚本，我们可以很方便地加载和预处理CIFAR-10数据集，并用于训练和测试图像分类模型。这个脚本是使用Python编写的，可以在tensorflow环境中直接使用。 ### 回答3： TensorFlow的cifar-10-batches-py是一个用于训练和验证图像分类模型的数据集。它是基于CIFAR-10数据集的一个版本，其中包含50000张用于训练的图像和10000张用于验证的图像。 CIFAR-10数据集是一个常用的图像分类数据集，包含10个不同的类别，每个类别有大约6000张图像。这些类别包括：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。每个图像的大小为32x32像素，是彩色图像。 cifar-10-batches-py数据集通过Python脚本cifar10.py提供，它将数据集分为5个训练批次和1个验证批次。在训练过程中，可以使用这些批次中的图像进行训练，并根据验证数据集的结果来评估模型的性能。 这个数据集提供了一个方便的方式来测试和评估不同的图像分类算法和模型。使用TensorFlow的cifar10.py脚本可以加载这个数据集，并提供一些函数，用于解析和处理图像数据。 在使用cifar-10-batches-py数据集进行训练时，通常会将图像数据进行预处理，例如将像素值进行归一化处理，以便于模型的训练。同时，还可以使用数据增强的技术，如随机翻转、旋转或裁剪图像，以增加数据的多样性。 总的来说，TensorFlow的cifar-10-batches-py数据集是为了方便机器学习研究人员进行图像分类模型训练和验证而提供的一个常用数据集。它可以用于测试和评估不同的图像分类算法和模型的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

文火冰糖的硅基工坊

你的鼓励是我前进的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值