TensorFlow.js 学习笔记(持续更新)

六子 TensorFlow.js 学习笔记

part一、Tensors

1、Creation:我们具有用于标量，1D，2D，3D和4D张量的常见情况的实用程序功能，以及许多用于以对机器学习有用的方式初始化张量的功能。

• tf.tensor(values, shape?, dtype?)
  • 参数：
    • values （TypedArray| Array） 张量的值。可以是数字的嵌套数组，平面数组或 TypedArray。如果值为字符串，则将其编码为 utf-8 并保留为 Uint8Array[]。
    • shape （number []） 张量的形状。可选的。如果未提供，则从中推断 values。 可选的
    • dtype （‘float32’|‘int32’|‘bool’|‘complex64’|‘string’） 数据类型。 可选的
    • 返回值： tf.Tensor
  • tf.tensor([1, 2, 3, 4]).print(),打印如下信息：

    Tensor
        [1, 2, 3, 4]
  

  • tf.tensor([1, 2, 3, 4], [2, 2]).print(),打印信息如下：

    Tensor
      [[1, 2],
      [3, 4]]
  

• tf.scalar (value, dtype?)
  • 使用提供的 value 和 dtype 创建 rank-0 的 tf.Tensor（标量）。使用tf.tensor（）可以实现相同的功能，但是通常我们建议使用tf.scalar（），因为它使代码更具可读性。
  • 参数：
    • value （number | boolean | string | Uint8Array） 标量的值。
    • dtype （‘float32’|‘int32’|‘bool’|‘complex64’|‘string’） 数据类型。 可选的
    • 返回值： tf.Scalar
  • tf.scalar(3.14).print()，打印信息如下：

  Tensor
      3.140000104904175
  

• tf.tensor1d (values, dtype?)
  • 使用提供的 value 和 dtype 创建 rank-1 的 tf.Tensor（标量）。使用tf.tensor（）可以实现相同的功能，但是通常我们建议使用tf.tensor1d（），因为它使代码更具可读性。
  • 参数：
    • values （TypedArray| Array） 张量的值。可以是数字数组或 TypedArray。
    • dtype （‘float32’|‘int32’|‘bool’|‘complex64’|‘string’） 数据类型。 可选的
    • 返回值： tf.Tensor1D
  • tf.tensor1d([1, 2, 3]).print(),打印信息如下：

    Tensor
        [1, 2, 3]
    

• tf.tensor2d (values, shape?, dtype?)
  • 使用提供的 value 和 dtype 创建 rank-2 的 tf.Tensor（标量）。使用tf.tensor（）可以实现相同的功能，但是通常我们建议使用tf.tensor2d（），因为它使代码更具可读性。
  • 参数：
    • values （TypedArray| Array） 张量的值。可以是数字数组或 TypedArray。
    • dtype （‘float32’|‘int32’|‘bool’|‘complex64’|‘string’） 数据类型。 可选的
    • 返回值： tf.Tensor2D
  • tf.tensor2d([[1, 2], [3, 4]]).print(),打印信息如下：

    Tensor
      [[1, 2],
      [3, 4]]
    

  • tf.tensor2d([1, 2, 3, 4], [2, 2]).print(),打印信息如下：

    Tensor
      [[1, 2],