tf.TensorArray

最新推荐文章于 2021-02-28 17:09:58 发布
最新推荐文章于 2021-02-28 17:09:58 发布
阅读量753 收藏
点赞数
分类专栏： TensorFlow_Google深度学习框架
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/lzbmc/article/details/88914464
版权 
init_array = 
tf.TensorArray(         # TensorArray可以看做是具有动态size功能的Tensor数组。通常和while_loop或map_fn一起使用。
dtype,                  # dtype: (必需）TensorArray的数据类型。
size=None,              # TensorArray的大小
dynamic_size=None,      # dynamic_size：如果为真，大小可变。默认值:False。
clear_after_read=None,  # clear_after_read：这个参数，默认为True，这种情况下数组中某个tensor读一次之后就被清除了.
tensor_array_name=None,
handle=None,
flow=None,
infer_shape=True,
element_shape=None,
colocate_with_first_write_call=True,
name=None)              # 返回：TensorArray中的所有张量都连接成的一个张量。

init_array = init_array.write(index,value,name=None)  # 将value写入指定位置
B&&C
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Tensorflow tf.tile()的用法实例分析
09-16
**TensorFlow中的`tf.tile()`函数** `tf.tile()`是TensorFlow库中用于创建重复张量的一个函数。这个函数能够将输入张量沿着指定的维度进行复制，从而生成一个新的张量，新张量的每个维度大小是输入张量对应维度大小...
tf.TensorArray (tensor动态数组)
qwexdl的博客
03-08 1538
一、基本介绍 和Tensor的主要区别是动态数组, 随时可以读取. 可以用在RNN每个时刻的states. tf.TensorArray参数: def __init__(self, dtype, size=None, dynamic_size=None, clear_after_read=None, tensor_array_name=None,
【深度学习 走开tensorflow2.0】TensorFlow 2.0 常用模块tf.TensorArray
赖德发的博客
12-17 527
在部分网络结构，尤其是涉及到时间序列的结构中，我们可能需要将一系列张量以数组的方式依次存放起来，以供进一步处理。当然，在 Eager Execution 下，你可以直接使用一个 Python 列表（List）存放数组。不过，如果你需要基于计算图的特性（例如使用 @tf.function 加速模型运行或者使用 SavedModel 导出模型），就无法使用这种方式了。因此，TensorFlow 提供了...
[TensorFlow笔记] TensorArray解析
藏知阁
02-04 1万+
TensorArray可以看做是具有动态size功能的Tensor数组。通常都是跟while_loop或map_fn结合使用。 例子1：将[2.4, 3.5]写进TensorArray三次 import tensorflow as tf def condition(time, output_ta_l): return tf.less(time, 3) def body(ti...
tf.TensorArray简单教程
z2539329562的博客
06-10 1万+
今天看tensorflow时遇到 tf.TensorArray，写一个见到的教程指导使用import tensorflow as tf sess = tf.Session() x = np.arange(20) input_ta = tf.TensorArray(size=0, dtype=tf.int32, dynamic_size=True) input_ta = input_ta.uns...
【Tensorflow教程笔记】常用模块 tf.TensorArray ：TensorFlow 动态数组
nanke_4869的博客
02-28 4115
Tensorflow教程笔记 基础 TensorFlow 基础 TensorFlow 模型建立与训练 基础示例：多层感知机（MLP） 卷积神经网络（CNN） 循环神经网络（RNN） 深度强化学习（DRL） Keras Pipeline 自定义层、损失函数和评估指标 常用模块 tf.train.Checkpoint ：变量的保存与恢复 常用模块 TensorBoard：训练过程可视化 常用模块 tf.data ：数据集的构建与预处理 常用模块 TFRecord ：TensorFlow 数据集存储格式 常用模
tf API：网络构建模块tf.nn，tf.layers， tf.contrib
01-06
在使用tensorflow构建神经网络时，经常看到tf.nn，tf.layers，tf.contrib这三个模块，它们有很多函数的功能是相同的，部分可以混用，这就导致使用者很容易被迷惑，本文在此做一下笔记以理清思路。 tf.nn：用于原始...
浅谈tensorflow使用张量时的一些注意点tf.concat,tf.reshape,tf.stack
12-17
tensorflow1.0以前函数用法：tf.concat(concat_dim, values, name=’concat’)，第一个参数为连接的维度，可以将几个向量按指定维度连接起来。 如： t1 = [[1, 2, 3], [4, 5, 6]] t2 = [[7, 8, 9], [10, 11, 12]] #...
对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解
09-17
在TensorFlow中，`tf.nn.conv1d`和`layers.conv1d`都是用于执行一维卷积操作的函数，但它们在实现细节和使用上存在一些差异。这篇文章将深入探讨这两个函数的区别，并帮助理解它们在构建一维卷积神经网络（1D CNN）...
Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现
09-17
在Tensorflow中，图（tf.Graph）和会话（tf.Session）是两个核心概念，它们构成了Tensorflow程序的基础架构。 **图（tf.Graph）** 计算图是Tensorflow中用于描述计算流程的数据结构，它是一个有向图，由节点（Nodes...
tf.TensorArray.scatter是什么玩意？？？
NLP与推荐算法
05-01 604
先搜了下这个单词的意思，scatter：散播，撒，分散，大概是这么个意思 然后试了很多，得到如下： import tensorflow as tf import numpy as np sess = tf.Session() ta=tf.TensorArray(size=0, dtype=tf.int32, dynamic_size=True) indices=[1,3,4] value...
将tf.Tensor与np.array相互转换---(已解决)
喵喵love的博客
05-23 9034
之前在使用tensorflow时遇到将Tensor和ndarry形式相互转换的坑，在此记录一下： 1.Tensor转化为ndarry 首先先输入一个Tensor格式的矩阵： z = tf.random_normal([2, 3]) print(z) 输出显示为Tensor格式： Tensor("random_normal_2:0", shape=(2, 3), dtype=float32) 要将以上Tensor格式的矩阵转换为ndarry形式，列举以下两种方法：（都是使用 tf.Session() .
Tensor(tf.Tensor)
jomozz的专栏
11-21 5002
Tensor类应该是最基本最核心的数据结构了，他表示的是一个操作的输出，但是他并不接收操作输出的值，而是提供了在TensorFlow的Session中计算这些值的方法。 Tensor类主要有两个目的： 1.一个Tensor能够作为一个输入来传递给其他的操作（Operation），由此构造了一个连接不同操作的数据流，使得TensorFLow能够执行一个表示很大，多步骤计算的图。 2.在
tensorflow TensorArray 代码例子
weixin_30872499的博客
11-06 654
1 import tensorflow as tf 2 import numpy as np 3 4 B=3 5 D=4 6 T=5 7 8 tf.reset_default_graph() 9 xs=tf.placeholder(shape=[T,B,D],dtype=tf.float32) 10 11 with tf.variabl...
tensor和array的区别
aaon22357的博客
08-23 1万+
接触tensorflow的同学对这两句代码一定无比熟悉，作为python新手的我，一直不太明白两者的区别，对数组或者矩阵操作的时候一会儿np.xx()，一会tf.xx()，各种混用导致频繁报错。。。 import tensorflow as tf import numpy as np 这里用一个最简单的列子，证明二者的不同： 输入 a=tf.constant([[1,2],[3,4]],dt...
Tensorflow API 学习(3)-tf.slice()
热门推荐
yychenxie21的专栏
11-04 3万+
1，函数原型 tf.slice(inputs,begin,size,name='') 2，用途：从inputs中抽取部分内容      inputs：可以是list,array,tensor      begin：n维列表，begin[i] 表示从inputs中第i维抽取数据时，相对0的起始偏移量，也就是从第i维的begin[i]开始抽取数据      size：n维列表，size
tensorflow tf.nn.raw_rnn()使用总结
huang_owen的博客
07-11 1562
tensorflow tf.nn.raw_rnn()使用总结 tensorflow tf.nn.raw_rnn()使用总结 api阅读 raw_rnn()概要 使用demo 　参考阅读 api阅读 raw_rnn()概要 def raw_rnn(cell, loop_fn, parallel_iterations=None, swap_me...
# 设置输入层节点数、隐层节点数 in_nodes=784 h1_nodes=100 h2_nodes=100 h3_nodes=50 # 定义输入、输出、prob的placeholder x=tf.placeholder(tf.float32,[None,in_nodes]) y_=tf.placeholder(tf.float32,[None,10]) prob=tf.placeholder(tf.float32) # 设置第一隐层 w1=weight(in_nodes, h1_nodes, 0.1, 0.005) b1=tf.Variable(tf.zeros([h1_nodes])) h1=tf.nn.relu(tf.matmul(x,w1)+b1) # 设置第二隐层 w2=weight(h1_nodes, h2_nodes, 0.1, 0.0) b2=tf.Variable(tf.zeros([h2_nodes])) h2=tf.nn.relu(tf.matmul(h1,w2)+b2) h2_drop=tf.nn.dropout(h2, prob) # 设置第三隐层 w3=weight(h2_nodes, h3_nodes, 0.1, 0.0) b3=tf.Variable(tf.zeros([h3_nodes])) h3=tf.nn.relu(tf.matmul(h2_drop,w3)+b3) h3_drop=tf.nn.dropout(h3, prob) # 设置softmax输出层 w4=weight(h3_nodes, 10, 0.1, 0.0) b4=tf.Variable(tf.zeros([10])) y=tf.nn.softmax(tf.matmul(h3_drop,w4)+b4)
最新发布
06-10
将上述代码改写成 TensorFlow 2.x 版本的代码如下： ```python import tensorflow as tf def weight(shape, stddev, wd): initial = tf.random.truncated_normal(shape, stddev=stddev) var = tf.Variable(initial) if wd is not None: weight_decay = tf.multiply(tf.nn.l2_loss(var), wd, name='weight_loss') tf.add_to_collection('losses', weight_decay) return var class MyModel(tf.keras.Model): def __init__(self, in_nodes=784, h1_nodes=100, h2_nodes=100, h3_nodes=50): super(MyModel, self).__init__() self.w1 = weight([in_nodes, h1_nodes], 0.1, 0.005) self.b1 = tf.Variable(tf.zeros([h1_nodes])) self.w2 = weight([h1_nodes, h2_nodes], 0.1, 0.0) self.b2 = tf.Variable(tf.zeros([h2_nodes])) self.w3 = weight([h2_nodes, h3_nodes], 0.1, 0.0) self.b3 = tf.Variable(tf.zeros([h3_nodes])) self.w4 = weight([h3_nodes, 10], 0.1, 0.0) self.b4 = tf.Variable(tf.zeros([10])) def call(self, inputs, prob): x = inputs y_ = tf.cast(inputs, tf.float32) h1 = tf.nn.relu(tf.matmul(x, self.w1) + self.b1) h2 = tf.nn.relu(tf.matmul(h1, self.w2) + self.b2) h2_drop = tf.nn.dropout(h2, rate=prob) h3 = tf.nn.relu(tf.matmul(h2_drop, self.w3) + self.b3) h3_drop = tf.nn.dropout(h3, rate=prob) y = tf.nn.softmax(tf.matmul(h3_drop, self.w4) + self.b4) return y model = MyModel() x = tf.keras.Input(shape=(None, 784)) prob = tf.keras.Input(shape=()) y = model(x, prob) y_ = tf.keras.Input(shape=(None, 10)) # 定义损失函数 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.math.log(y), reduction_indices=[1])) tf.add_to_collection('losses', cross_entropy) loss = tf.add_n(tf.get_collection('losses')) # 定义优化器 train_step = tf.train.AdamOptimizer(1e-4).minimize(loss) # 训练模型 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, prob: 0.5}) ``` 在 TensorFlow 2.x 中，可以使用 `tf.reduce_mean` 和 `tf.reduce_sum` 函数来计算张量的平均值和总和；使用 `tf.math.log` 函数来计算张量的自然对数。此外，可以使用 `tf.train.AdamOptimizer` 来定义优化器，使用 `model.trainable_variables` 来获取所有可训练的变量。

“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
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