tf.TensorArray

最新推荐文章于 2021-12-19 18:20:49 发布
最新推荐文章于 2021-12-19 18:20:49 发布
阅读量3.8k 收藏 4
点赞数 1
分类专栏： TensorFlow 文章标签： tf.TensorArray
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/weixin_38314865/article/details/86695098
版权

 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。

ta = tf.TensorArray(size, dtype, dynamic_size=True)  # dynamic_size指定数组长度可变
ta.stack(name=None)  # 将TensorArray中元素叠起来当做一个Tensor输出
ta.unstack(value, name=None)  # 可以看做是stack的反操作，输入Tensor，输出一个新的TensorArray对象，value按照其axis=0进行分割
ta.write(index, value, name=None)  # 指定index位置写入Tensor
ta.read(index, name=None)  # 读取指定index位置的Tensor

 

Mr.Jcak
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
【Tensorflow教程笔记】常用模块 tf.TensorArray ：TensorFlow 动态数组
nanke_4869的博客
02-28 4110
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.TensorArray (tensor动态数组)
qwexdl的博客
03-08 1534
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,
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...
【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 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 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tf.ConfigProto()的用法详解
09-18
在TensorFlow中，`tf.ConfigProto()` 是一个非常重要的工具，它允许用户自定义`tf.Session`的行为，特别是与硬件资源管理和性能优化相关的设置。通过创建一个`ConfigProto`对象，你可以控制TensorFlow运行时如何利用...
[TensorFlow笔记] TensorArray解析
热门推荐
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和tf.while_loop组合使用
bbbeoy的专栏
09-08 426
TensorArray 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。 常用方法有 write(index,value)：将value写入TensorArray的第index个位置 stack：将TensorArray中的值作为Tensor返回 while_loop final_state = tf.while_loop(cond, loop_body, init_state)，作用是循环处理某个变量，中间处理的结果用来
【Tensorflow】你真的懂TensorFlow吗？Tensor是神马？为什么还会Flow？
小白兔的窝
06-04 1万+
文章转载自：https://www.sohu.com/a/144569429_700316（MOOC） 也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。也许你在NASA教程中看到它，仍然不知道它在说些什么？问题在于大多数讲述张量的指南，都假设你
tensorflow 动态数组 TensorArray
luoganttcc的博客
06-10 407
tensorflow 动态数组随时可以读取 import tensorflow as tf ta = tf.TensorArray(tf.float32, size=0, dynamic_size=True, clear_after_read=False) ta = ta.write(0, 10) ta = ta.write(1, 20) ta = ta.write(2, 30) print(ta.read(0)) print(ta.read(1)) print(ta.read(2)) prin
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...
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...
tensorflow1.11.0 tf.constant()函数（创建一个常数张量）
Dontla的博客
11-09 1016
tf.constant tf.constant( value, dtype=None, shape=None, name='Const', verify_shape=False ) Defined in tensorflow/python/framework/constant_op.py. See the guide: Constants, Sequenc...
tensorflow一些参数的详细讲解分享（tensorflow1的哦）
Aaadsda414114的博客
12-19 1803
tf1: tf.GradientTape()函数： tf提供的自动求导函数 x = tf.Variable(initial_value=3.) with tf.GradientTape() as tape: # 在 tf.GradientTape() 的上下文内，所有计算步骤都会被记录以用于求导 y = tf.square(x) y_grad = tape.gradient(y, x) # 计算y关于x的导数 tf.GradientTape() 是一个自动求导的记...
将tf.Tensor与np.array相互转换---(已解决)
喵喵love的博客
05-23 9026
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() .
# 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 3
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