[TensorFlow系列-10]：TensorFlow基础 - 张量元素的比较运算

最新推荐文章于 2024-04-20 14:10:16 发布
最新推荐文章于 2024-04-20 14:10:16 发布
阅读量1.6w 收藏 9
点赞数 3
分类专栏： 人工智能-深度学习 人工智能-TensorFlow 文章标签： 深度学习 Tensorflow 张量 比较运算
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/119641199
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/119641199

目录

第1章 Tensor运算概述

1.1 概述

1.3  “in place“运算 : 不支持

1.4 Tensor的广播机制: 不同维度的tensor实例运算

1.5 环境准备

1.6 比较运算概述

第2章 常规值的比较示例

2.1 比较两个tensor是否完全相同：不支持

2.2 比较两个tensor的每个元素是否相等关系：tf.math.equal(x,y)

2.3 比较两个tensor的每个元素是否为大小关系：tf.math.greater(x,y)

2.4 比较两个tensor的每个元素是否为大小关系：tf.math.greater_equal(x,y)

2.5 比较两个tensor的每个元素是否为大小关系：tf.math.less(x,y)

2.6 比较两个tensor的每个元素是否为大小关系：tf.math.less_equal(x,y)

2.7 比较两个tensor的每个元素是否为大小关系：tf.math.not_equal(x,y)

第3章 非常规值（is_xxx）的比较示例

3.1 是否为有界限的数值: tf.math.is_finite(x)

3.2 是否为无界限的数值或无穷值：tf.math.is_inf(x)

3.3 检测张量元素是否为NAN（空数据）：tf.math.is_nas(x)

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/api_docs/python/tf

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）比较运算：大于，等于，小于

（6）线性代数运算：矩阵、点乘、叉乘

1.3  “in place“运算 : 不支持

1.4 Tensor的广播机制: 不同维度的tensor实例运算

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 比较运算概述

（1）概述

  • 张量比较是指张量的每个元素的的比较
  • 比较的对象，可以是两个张量之间的对应元素的比较
  • 比较的对象，可以是一个张量中的所有元素与0、指定元素、无效值NA或无穷值进行比较
  • 比较的结果是只包含true和false的张量。

（2）与常规值的比较

å¨è¿éæå¥å¾çæè¿°

 备注：

  • other是比较对象，可以是张量，可以是数字，默认是0
  • 比较的结果是只包含true和false的张量。

（3）与非常规值的比较

is_finite：是否为有界限的数值，

is_inf：是否为无界限的数值或无穷值

  • 正数/0 =》正无穷，用inf表示
  • 附属/0 =》 负无穷，用-inf表示

is_nan：检测张量元素是否为nan（空数据），返回true or flase；

  • 无效数据
  • 非数字数据,
  • 0/0
  • 读取外部数据时，无输入数据

is_normal：检测张量元素是否为有效数据。Tensorflow不支持

第2章 常规值的比较示例

常规值的比较，不同运算符的比较方法比较类似，这里选出几个进行示意。

2.1 比较两个tensor是否完全相同：不支持

2.2 比较两个tensor的每个元素是否相等关系：tf.math.equal(x,y)

# 代码示例

# 比较两个tensro之间的每个元素
a = tf.constant([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)


b = tf.constant([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)


c = tf.constant([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)

print ("\n比较a与b：")
print(tf.equal(a,b))    
print(tf.math.equal(a,b))    

print ("\n比较a与c：")
print(tf.equal(a,c))
print(tf.math.equal(a,c))   
输出：

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

比较a与b：
tf.Tensor(
[[ True  True  True]
 [ True  True  True]], shape=(2, 3), dtype=bool)
tf.Tensor(
[[ True  True  True]
 [ True  True  True]], shape=(2, 3), dtype=bool)

比较a与c：
tf.Tensor(
[[False  True  True]
 [False  True  True]], shape=(2, 3), dtype=bool)
tf.Tensor(
[[False  True  True]
 [False  True  True]], shape=(2, 3), dtype=bool)

2.3 比较两个tensor的每个元素是否为大小关系：tf.math.greater(x,y)

#代码示例：

# 比较两个tensor之间的每个元素
a = tf.constant([[1,2,3],[4,5,6]])  
print ("原数据a：")
print (a)


b = tf.constant([[1,2,3],[4,5,6]])  
print ("原数据b：")
print (a)


c = tf.constant([[0,2,3],[0,5,6]])  
print ("原数据c：")
print (a)

print ("\n比较a与b：")
print(tf.greater(a,b))
print(tf.math.greater(a,b))

print ("\na比较与c：")
print(tf.greater(a,c))
print(tf.math.greater(a,c))
输出：

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

比较a与b：
tf.Tensor(
[[False False False]
 [False False False]], shape=(2, 3), dtype=bool)
tf.Tensor(
[[False False False]
 [False False False]], shape=(2, 3), dtype=bool)

a比较与c：
tf.Tensor(
[[ True False False]
 [ True False False]], shape=(2, 3), dtype=bool)
tf.Tensor(
[[ True False False]
 [ True False False]], shape=(2, 3), dtype=bool)

2.4 比较两个tensor的每个元素是否为大小关系：tf.math.greater_equal(x,y)

方法同上。

2.5 比较两个tensor的每个元素是否为大小关系：tf.math.less(x,y)

方法同上。

2.6 比较两个tensor的每个元素是否为大小关系：tf.math.less_equal(x,y)

方法同上。

2.7 比较两个tensor的每个元素是否为大小关系：tf.math.not_equal(x,y)

方法同上。

第3章 非常规值（is_xxx）的比较示例

3.1 是否为有界限的数值: tf.math.is_finite(x)

#代码示例

# 比较tensor的每个元素是否为无穷数据
a = tf.constant([0.,1.,2.,3.,4.,5.,6.,7.,8.,9])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("比较结果")
print(tf.math.is_finite(a))
print(tf.math.is_finite(b))
print(tf.math.is_finite(c))
输出：

原数据a：
tf.Tensor([0. 1. 2. 3. 4. 5. 6. 7. 8. 9.], shape=(10,), dtype=float32)
原数据b：
tf.Tensor([nan inf inf inf inf inf inf inf inf inf], shape=(10,), dtype=float32)
原数据b：
tf.Tensor([ nan -inf -inf -inf -inf -inf -inf -inf -inf -inf], shape=(10,), dtype=float32)

比较结果
tf.Tensor([ True  True  True  True  True  True  True  True  True  True], shape=(10,), dtype=bool)
tf.Tensor([False False False False False False False False False False], shape=(10,), dtype=bool)
tf.Tensor([False False False False False False False False False False], shape=(10,), dtype=bool)

备注：

  • 0/0为nan数据
  • inf为正无穷
  • -inf为负无穷
  • nan不是正无穷，也不是负无穷

3.2 是否为无界限的数值或无穷值：tf.math.is_inf(x)

# 代码示例

# 比较tensor的每个元素是否为有限数据
a = tf.constant([0.,1.,2.,3.,4.,5.,6.,7.,8.,9.])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据c：")
c = -a/0
print(c)

print("\n比较结果")
print(tf.math.is_inf(a))
print(tf.math.is_inf(b))
print(tf.math.is_inf(c))

输出：

输出：

原数据a：
tf.Tensor([0. 1. 2. 3. 4. 5. 6. 7. 8. 9.], shape=(10,), dtype=float32)
原数据b：
tf.Tensor([nan inf inf inf inf inf inf inf inf inf], shape=(10,), dtype=float32)
原数据c：
tf.Tensor([ nan -inf -inf -inf -inf -inf -inf -inf -inf -inf], shape=(10,), dtype=float32)

比较结果
tf.Tensor([False False False False False False False False False False], shape=(10,), dtype=bool)
tf.Tensor([False  True  True  True  True  True  True  True  True  True], shape=(10,), dtype=bool)
tf.Tensor([False  True  True  True  True  True  True  True  True  True], shape=(10,), dtype=bool)

备注：

  • nas既不是有限数据，也不是无限数据。

3.3 检测张量元素是否为NAN（空数据）：tf.math.is_nas(x)

#代码示例

#  比较tensor的每个元素是否为NAN
a = tf.constant([0.,1.,2.,3.,4.,5.,6.,7.,8.,9.])  
print ("原数据a：")
print (a)

print ("原数据b：")
b = a/0
print(b)

print ("原数据b：")
c = -a/0
print(c)

print("\n比较结果")
print(tf.math.is_nan(a))
print(tf.math.is_nan(b))
print(tf.math.is_nan(c))

输出：

原数据a：
tf.Tensor([0. 1. 2. 3. 4. 5. 6. 7. 8. 9.], shape=(10,), dtype=float32)
原数据b：
tf.Tensor([nan inf inf inf inf inf inf inf inf inf], shape=(10,), dtype=float32)
原数据b：
tf.Tensor([ nan -inf -inf -inf -inf -inf -inf -inf -inf -inf], shape=(10,), dtype=float32)

比较结果
tf.Tensor([False False False False False False False False False False], shape=(10,), dtype=bool)
tf.Tensor([ True False False False False False False False False False], shape=(10,), dtype=bool)
tf.Tensor([ True False False False False False False False False False], shape=(10,), dtype=bool)

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/119641199

文火冰糖的硅基工坊
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
TensorFlow2.0-Book:《 TensorFlow从零开始学》配书代码和资源
03-22
读者可以通过解压并运行这些代码，跟随书中讲解逐步理解TensorFlow的基本操作，如变量定义、张量运算、图构建、会话执行（在TF 2.0中已经不常用）以及模型训练等。 在深入学习TensorFlow 2.0时，你需要掌握以下几个...
Tensorflow笔记【四】之搭建神经网络并对比
科小勒的博客
12-04 587
在搭建神经网络中，需要通过训练集训练搭建的神经网络，训练完成后需要通过验证集测试我们神经网络训练的效果。
【Tensorflow】Tensor的比较运算
不用先生的博客
08-24 9696
Tensor 的比较运算   在Tensorflow中提供了六个Tensor大小比较的函数分别如下；其中，第一个参数是比较符号前的Tensor，第二个是符号后的Tensor。 compa=tf.less(A,B) ## < #compa=tf.greater(A,B) ## > #compa=tf.greater_equal(A,B) ...
深度学习框架比较：TensorFlow vs PyTorch
最新发布
2301_79507619的博客
04-20 736
TensorFlow可能是那些寻求成熟、稳定和大规模部署解决方案的企业的首选，而PyTorch则可能更适合快速迭代和研究导向的项目。以下是TensorFlow和PyTorch之间的比较，涵盖了它们的关键特性、优势和劣势。- 有一个专门的生态系统，包括TensorBoard（用于可视化训练过程）、TensorFlow Lite（用于移动和嵌入式设备）和TensorFlow Extended（用于生产管道）。- 拥有庞大的用户基础和社区支持，包括大量的教程、资源和第三方库。
【youcans的深度学习 10】PyTorch入门教程：张量的统计运算与比较运算
youcans的博客
06-03 1002
张量的归约运算，是对张量进行某种聚合总结，而得到计算结果的函数。规约运算主要包含数据科学领域内的诸多统计分析函数，如均值、极值、方差、中位数函数等等。 张量的比较操作，是指对多个张量进行比较运算的方法。
深度学习2.0-10.tensorflow的高阶操作之张量的限幅
柳杰的博客
10-08 176
文章目录1.张量的限幅1.tf.clip_by_value-根据值来裁剪2.tf.nn.relu-将矩阵中每行小于0的值置03.tf.clip_by_norm-根据范数裁剪4.tf.clip_by_global_norm-等比例裁剪 1.张量的限幅 1.tf.clip_by_value-根据值来裁剪 2.tf.nn.relu-将矩阵中每行小于0的值置0 3.tf.clip_by_norm-根据范数裁剪 4.tf.clip_by_global_norm-等比例裁剪 Gradient clipping-
【TensorFlow2.0】(6) 数据统计，范数、最值、求和、均值、最值位置、唯一值、张量比较
博观而约取，厚积而薄发
11-24 1899
各位同学好，今天和大家分享一下TensorFlow2.0中的数据分析操作。内容有： （1）范数 tf.norm()；（2）最值 tf.reduce_min()，tf.reduce_max()（3）求和 tf.reduce_sum()；（4）均值 tf.reduce_mean()；（5）最值的位置 tf.argmax()，tf.argmin()；（6）两个张量比较 tf.equal；（7）张量唯一值 tf.unique() 那我们开始吧。 1. 范数 tf.orm(tensor, ord, axi..
tensorflow-internals：这是有关TensorFlow内核和实现机制的开源电子书
02-03
《TensorFlow内核与实现机制详解》 TensorFlow，作为当今机器学习领域广泛使用的开源库，其强大的功能和高效的计算能力使得它在深度学习、自然语言处理、图像识别等多个领域大放异彩。本书“tensorflow-internals”...
tensorflow-notebook：tensorflow笔记本示例
03-02
它的核心是数据流图（Dataflow Graph），其中节点代表数学运算，边则表示节点之间的多维数据数组，即张量（Tensor）。通过这种图形结构，我们可以构建复杂的计算模型，并在CPU或GPU上高效执行。 在`Jupyter ...
rust-autograd：Rust中的张量和微分运算（例如TensorFlow）
02-05
`rust-autograd` 是一个基于 Rust 语言的自动微分库，它允许开发人员在 Rust 中构建和优化深度学习模型，类似于 Python 中的 TensorFlow 或 PyTorch。这个库的核心功能是提供张量（tensor）操作和自动求导...
Tensorflow-Examples:Tensorflow入门的几个示例
04-28
这个压缩包可能包含了一系列TensorFlow的入门示例项目，这些示例通常会涵盖基本操作、线性回归、逻辑回归、神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等常见任务。通过阅读和运行这些示例，初学者可以更...
PyTorch 笔记（08）— Tensor 比较运算（torch.gt、lt、ge、le、eq、ne、torch.topk、torch.sort、torch.max、torch.min）
wohu1104的专栏
07-21 7863
1. 说明 比较函数中有一些是逐元素比较，操作类似逐元素操作，还有一些类似归并操作，常用的比较函数如下表所示。 表中第一行的比较操作已经实现了运算符重载，因此可以使用 a>=b，a>b ，a !=b 和 a == b，其返回的结果是一个 ByteTensor，可用来选取元素。 max/min 操作有些特殊，以 max 为例，有以下三种使用情况： t.max(tensor) ： 返回 tensor 中最大的一个数； t.max(tensor，dim) ： 指定维上最大数，返回 tensor 和
tensorflow2.0 基础知识点4 （基本数学——张量运算）
m0_45096530的博客
11-22 974
张量运算 基本数学运算
Tensorflow 张量运算2：张量比较
qq_40041064的博客
03-11 818
常用的比较函数：tf.equal，tf.greater， tf.less，tf.greater_equal，tf.less_equal，tf.not_equal，tf.is_nan。也可以通过tf.math.equal调用。 import tensorflow as tf # 用正态分布来模拟100个样本的预测结果，可以认为是100个MNIST样本 out = tf.random.norma...
Tensorflow：张量比较
南淮北安的博客
12-27 2141
为了计算分类任务的准确率等指标，一般需要将预测结果和真实标签比较，统计比较 结果中正确的数量来就是计算准确率。 （1）模拟100 个样本的预测结果 （2）将样本预测值转换为概率 （3）选取预测值最大概率的索引号 （4）设置100个真实标签用来与样本预测值进行比较 通过tf.equal(a, b)(或tf.math.equal(a, b))函数可以比较这2个张量是否相等： out = tf.equ...
tensorflow比较两个tensor大小
热门推荐
MD2017的博客
07-18 1万+
# 出错情况： import tensorflow as tf import numpy as np a = tf.placeholder(tf.float32, shape=([2])) b = tf.placeholder(tf.float32, shape=([2]))   # 直接用if a[0]&lt;b[0]会出现Using a `tf.Tensor` as a Python...
Tensorflow实现tensor数值比较
touchwolf的博客
06-17 3952
在进行语义分割的二分类中，需要将预测值大于和小于0.5的logits分别标记为True和False。使用tf.equal（label, 0)只会判断改值是否为1。 使用tf.where(input, a, b)实现这个功能。 其中input是tensor+判断条件，判断得到True和False的一个sensor，它和a、b尺寸一致。 函数作用是将a中对应input中true的位置的元素值不变...
tensorflow中判定两tensor是否完全相等
gushiyi27的博客
12-09 1747
tensorflow中判定两tensor是否完全相等 作用：等价于(narray1 == narray2).all() 1.tensorflow中不能使用while/if/for等，ta的循环语句为tf.while_loop()(笔者这里走了弯路，在没学习tensorflow基本语法时就开始了构建模型T_T，结果运行时报错，找了好久才找到错误，望读者吸取教训╮(￣▽ ￣)╭)。 2.要使用tf.while_loop函数取代while…break,便需要先构造cond()、body()这两个函数，然后使用x
tensorflow踩坑：按tensor中元素进行比较
weixin_34318326的博客
10-23 2469
2019独角兽企业重金招聘Python工程师标准>>> ...
TensorFlow基础
04-26
介绍TensorFlow的基础。特别地，你将学习如何用TensorFlow进行基础计算。在开始使用 TensorFlow之前,你必须理解它背后的哲学。 这个库基于计算图的概念，如果你不理解计算图是如何工作的，你就不能理解如何使用这个库。我将快速的介绍计算图并告诉你如何用 TensorFlow进行简单的计算。你将明白这个库是如何工作的，并明白如何使用它。 本章的大部分介绍tensors的概念，并讨论tensors在TensorFlow里是如何表示和操作的。这些讨论有必要简单的回顾一下作为张量计算基础的数学概念。 特别地，我们简单的回顾线性代数并说明如何用TensorFlow进行基础的线性代数计算。接着我们讨论声明式和命令式编程风格的不同。不像许多编程语言， TensorFlow大部分是声明式的。调用TensorFlow的计算添加计算描述到 TensorFlow的“计算图”。特别地， TensorFlow代码 “描述”计算但并不进行实际计算。 在TensorFlow v1里要运行计算，我们需要创建 tf.Session对像。虽然TensorFlow v2不用sessions对象，但是也有

“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