tensorflow2是指_【2】TensorFlow2.0：数学运算

最新推荐文章于 2021-12-23 16:30:02 发布
最新推荐文章于 2021-12-23 16:30:02 发布
阅读量109 收藏
点赞数
文章标签： tensorflow2是指
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_42358733/article/details/112446651
版权

9413acf911cd14a95b27868bb521f5ab.png

0647fe9d2dfa5d84ed630d75aa092a04.png

本文授权转载自机器学习算法与Python实战 禁止二次转载

大家好，我是老表

阅读文本大概需要 26 分钟

系列推文

【1】TensorFlow2.0：基本数据结构——张量

1 基本运算：(+、-、*、/、//、%)

基本运算中所有实例都以下面的张量a、b为例进行：

import tensorflow as tfa = tf.random.uniform([2, 3], minval=1, maxval=6,dtype=tf.int32)b = tf.random.uniform([2, 3], minval=1, maxval=6,dtype=tf.int32)
a
array([[1, 4, 5],
       [5, 1, 4]])>
b
array([[1, 3, 5],
       [3, 5, 2]])>

(1)加(+)

tf.add(a,b)  # 通过add方法执行加操作
array([[ 2,  7, 10],
       [ 8,  6,  6]])>
a + b  # 也可以通过操作符进行
array([[ 2,  7, 10],
       [ 8,  6,  6]])>

(2)减(-)

tf.subtract(a,b)
array([[ 0,  1,  0],
       [ 2, -4,  2]])>
a - b
array([[ 0,  1,  0],
       [ 2, -4,  2]])>

(3)乘法(*)

tf.multiply(a,b)
array([[ 1, 12, 25],
       [15,  5,  8]])>
a * b
array([[ 1, 12, 25],
       [15,  5,  8]])>

(4)除法(/)

tf.divide(a,b)
array([[1.        , 1.33333333, 1.        ],
       [1.66666667, 0.2       , 2.        ]])>
a/b
array([[1.        , 1.33333333, 1.        ],
       [1.66666667, 0.2       , 2.        ]])>

(5)地板除法(//)

tf.floor_div(a,b)
array([[1, 1, 1],
       [1, 0, 2]])>
a // b
array([[1, 1, 1],
       [1, 0, 2]])>

(6)取余(%)

tf.mod(b,a)
array([[[0, 1, 2],
        [0, 0, 2]],

       [[0, 1, 2],
        [0, 0, 2]]])>
b % a
array([[[0, 1, 2],
        [0, 0, 2]],

       [[0, 1, 2],
        [0, 0, 2]]])>

可以看出，对于基本运算加(+)、减(-)、点乘(*)、除(/)、地板除法(//)、取余(%)，都是对应元素进行运算。

2 指数、开方、对数

(1)对数运算

TensorFlow提供tf.math.log()方法来求对数，当然，求的是以自然常数为底的对数：

e = 2.71828183a = tf.constant([e, e*e, e*e*e])tf.math.log(a)
c = tf.fill([2,2],1.)tf.math.log(c)
array([[0., 0.],
       [0., 0.]], dtype=float32)>

注意：TensorFlow中没有提供函数实现以其他数值为底的对数运算，例如, 。不过，我们可以通过其他方式来求取，记得下面这个高中时学过的公式吗：

所以有：

f = tf.constant([[1., 9.], [16., 100.]])g = tf.constant([[2., 3.], [2., 10.]])
tf.math.log(f) / tf.math.log(g)
array([[0., 2.],
       [4., 2.]], dtype=float32)>

(2)指数运算

g = tf.constant([[2, 3], [2, 10]])
tf.pow(g, 2)
array([[  4,   9],
       [  4, 100]])>

也可以直接通过运算符来完成：

g ** 2
array([[  4,   9],
       [  4, 100]])>

(3)开方

f = tf.constant([[1., 9.], [16., 100.]])
tf.sqrt(f)
array([[ 1.,  3.],
       [ 4., 10.]], dtype=float32)>

自然常数的指数运算：

d = tf.constant([[1.,2.],[3.,4.]])
tf.exp(d)
array([[ 2.7182817,  7.389056 ],
       [20.085537 , 54.598152 ]], dtype=float32)>

注意：对数运算函数log()与指数运算函数在不同的模块中。

在我看来，上面提到的指数运算与对数运算不在通知模块以及没有提供以其他自然数为底的对数运算，应该应该是TensorFlow中的遗留问题，希望能够在正式版中得到修正。

3 矩阵相乘 

import numpy as npa = tf.constant(np.arange(6),shape=(2,3))b = tf.constant(np.arange(6),shape=(3,2))
a
array([[0, 1, 2],
       [3, 4, 5]])>
b
array([[0, 1],
       [2, 3],
       [4, 5]])>
tf.matmul(a,b)
array([[10, 13],
       [28, 40]])>

矩阵相乘也可以通过符号来操作进行，用“@”表示：

a @ b
array([[10, 13],
       [28, 40]])>

这里的张量a和b都是二维的，但在实际应用中，数据往往高于二维，这时候怎么应算呢？

a = tf.constant(np.arange(12),shape=(2,2,3))b = tf.constant(np.arange(12),shape=(2,3,2))
a
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])>
b
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]]])>
a @ b
array([[[ 10,  13],
        [ 28,  40]],

       [[172, 193],
        [244, 274]]])>

可以看到，当高于二维的张量进行矩阵相乘时，最终的实现还是二维矩阵相乘，只不过分成了多个二维矩阵，四维张量也是一样的：

a = tf.constant(np.arange(24),shape=(2,2,2,3))b = tf.constant(np.arange(24),shape=(2,2,3,2))
a @ b
array([[[[  10,   13],
         [  28,   40]],

        [[ 172,  193],
         [ 244,  274]]],


       [[[ 550,  589],
         [ 676,  724]],

        [[1144, 1201],
         [1324, 1390]]]])>

4 Broadcasting机制

上面的所有实例中所用到的张量都是在维度数和形状相同情况下进行，那么，当两个张量维度数或者形状不一样时能不能进行运算呢？

a = tf.constant([1,2,3])b = tf.constant(np.arange(12),shape=(2,2,3))
b
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])>
a + b
array([[[ 1,  3,  5],
        [ 4,  6,  8]],

       [[ 7,  9, 11],
        [10, 12, 14]]])>
a * b
array([[[ 0,  2,  6],
        [ 3,  8, 15]],

       [[ 6, 14, 24],
        [ 9, 20, 33]]])>

可以看到，一个一维的张量与一个三维张量进行运算是完全没有问题的，从运算结果上可以看出，相当于是三维张量中的每一行数据与张量a进行运算，为什么可以这样运输呢？这就得益于TensorFlow中的Broadcasting机制。

Broadcasting机制解除了只能维度数和形状相同的张量才能进行运算的限制，当两个数组进行算术运算时，TensorFlow的Broadcasting机制首先对维度较低的张量形状数组填充1，从后向前，逐元素比较两个数组的形状，当逐个比较的元素值(注意，这个元素值是指描述张量形状数组的值，不是张量的值)满足以下条件时，认为满足 Broadcasting 的条件：

(1)相等

(2)其中一个张量形状数组元素值为1。

当不满足时进行运算则会抛出 ValueError: frames are not aligne 异常。算术运算的结果的形状的每一元素，是两个数组形状逐元素比较时的最大值。

回到上面张量a与b相乘的例子，a的形状是(3，)，b的形状是(2, 2, 3)，在Broadcasting机制工作时，首先比较维度数，因为a的维度为1，小于b的维度3，所以填充1，a的形状就变成了(1,1,3)，然后从最后端的形状数组元素依次往前比较，先是就是3与3比，结果是相等，接着1与2相比，因为其中一个为1，所以a的形状变成了(1,2,3)，继续1与2比较，因为其中一个为1，所以a的形状变成了(2,2,3)，a中的数据每一行都填充a原来的数据，也就是[1,2,3]，然后在与b进行运算。

当然，在TensorFlow的Broadcasting机制运行过程中，上述操作只是理论的，并不会真正的将a的形状变成(2,2,3,)，更不会将每一行填充[1,2,3]，只是虚拟进行操作，真正计算时，依旧是使用原来的张量a。这么做的好处是运算效率更高，也更节省内存。

再举一些例子加深理解：

  • [ ] A：(2d array): 5 x 4
  • [ ] B：(1d array): 1
  • [ ] Result：(2d array): 5 x 4
  • [ ] A：(2d array): 5 x 4
  • [ ] B：(1d array): 4
  • [ ] Result：(2d array): 5 x 4
  • [ ] A：(3d array): 15 x 3 x 5
  • [ ] B：(3d array): 15 x 1 x 5
  • [ ] Result：(3d array): 15 x 3 x 5
  • [ ] A：(3d array): 15 x 3 x 5
  • [ ] B：(2d array): 3 x 5
  • [ ] Result：(3d array): 15 x 3 x 5
  • [ ] A：(3d array): 15 x 3 x 5
  • [ ] B：(2d array): 3 x 1
  • [ ] Result：(3d array): 15 x 3 x 5

一些反例(不满足 Broadcasting 规则 )：

  • [ ] A (1d array): 3
  • [ ] B (1d array): 4
  • [ ] A (2d array): 2 x 1
  • [ ] B (3d array): 8 x 4 x 3

5 范数

范数是泛函分析中的概念，指的是一种更宽泛的长度(距离)概念，只要满足非负、自反、三角不等式就可以称之为距离。向量的范数可以使用下面公式进行计算：

当时分别叫做1范数，2范数。除此以外，还有无穷范数：

import tensorflow as tf
a = tf.constant([[1.,2.],[1.,2.]])
tf.norm(a, ord=1)  # 1范数
tf.norm(a, ord=2)  # 2范数
tf.norm(a)  # ord不指定时，默认是2

我们也可以全手动地实现范数：

tf.sqrt(tf.reduce_sum(tf.square(a)))

指定维度求范数：

tf.norm(a, ord=2, axis=0)
tf.norm(a, ord=2, axis=1)

参考

https://lufficc.com/blog/tensorflow-and-numpy-broadcasting

作者博客：

https://www.cnblogs.com/chenhuabin

作者github：

https://github.com/ChenHuabin321/tensorflow2_tutorials

大家好，我是老表
觉得本文不错的话，转发、留言、点赞，是对我最大的支持。

9413acf911cd14a95b27868bb521f5ab.png

每日 留言 说说你读完本文感受？ 或者一句激励自己的话？ (字数不少于15字) 怎么加入刻意学习队伍 点我，看文末彩蛋 留言 有啥 福利 点我就知道了 想进学 习交流 群 加 微信： jjxksa888 备 注 ：简说Python 2小时快速掌握Python基础知识要点。

完整Python基础知识要点

Python小知识 | 这些技能你不会?(一) Python小知识 | 这些技能你不会?(二) Python小知识 | 这些技能你不会?(三) Python小知识 | 这些技能你不会?(四)
近期推荐阅读：
【1】整理了我开始分享学习笔记到现在超过250篇优质文章，涵盖数据分析、爬虫、机器学习等方面，别再说不知道该从哪开始，实战哪里找了

【2】【终篇】Pandas中文官方文档：基础用法6(含1-5)

打呼少年
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
tensorflow2.0 基础一 常用数据类型及转换
Alivon的博客
09-20 6303
目录Tensor 是什么TF数据类型Create TensorTensor PropertyCheck Tensor TypeConvert 转换bool inttf.VariableTo numpy Tensor 是什么 scalar: 1.1 vector: [1.1],[1.1,2.2,...] matrix: [[1.1,2.2],[3.3,4.4],[5.5,6.6]] tensor: ...
TensorFlow2.0:张量的数学运算
meijie2018_1的博客
08-13 4774
(1)+ - * / (2)** pow square (3) sqrt (4) // % (5) exp log (6)@ matmul (7) linear layer element-wise: + - * / matrix-wise: @ matmul dim-wise: reduce_mean/max/min/sum ** 一 + - * / % //运算 ** +:对应矩阵元素相加 ...
TensorFlow2.0（二）：数学运算
weixin_30851409的博客
09-26 718
1 基本运算：加（+）、减（-）、点乘（*）、除（/）、地板除法（//）、取余（%） 基本运算中所有实例都以下面的张量a、b为例进行： >>> a = tf.random.uniform([2, 3], minval=1, maxval=6,dtype=tf.int32) >>> b = tf.random.uniform([2, 3], m...
神经网络与深度学习——TensorFlow2.0实战(笔记)(三)(python运算符和表达式)
Z_W_H_的博客
04-17 456
从程序中学习知识点 1.算术运算符 #运算符（Operator）：完成不同类型的常量、变量之间的运算 #除法运算 / 结果是一个浮点型的精确数的值，与java等其他语言的不同之处 print(7/2,7.0/2,-7/2) #整除运算 print(7//2,-7//2) print(7.0//2,-7//2.0) #取余运算 print(7%2,-7%2) 算术运算符图例 2.赋值运算符 #连续赋值 a=b=c=1 print(a,b,c) #多元赋值 (x,y,z)=(1,2,"p
tensorflow2.0 的数学运算
葛明的博客
04-08 1879
Log：求以自然底数e为底的log指数 Pow 等价于 ** :次方 Sqrt：开方 @ 等价于 mmatmul：矩阵相乘 最上面那个维度表示矩阵数量。4 表示 4个 矩阵相乘。 可以先broadcasting，再进行矩阵相乘 Relu：去掉所有负数 ...
tensorflow2.0基础（2）——张量的数学运算
青鸠的博客
07-24 1414
张量的数学运算 张量数学运算主要有：标量运算，向量运算，矩阵运算，张量运算采用的广播机制。 张量的数学运算符可以分为标量运算符、向量运算符、以及矩阵运算符。 加减乘除乘方，以及三角函数，指数，对数等常见函数，逻辑比较运算符等都是标量运算符。 标量运算符的特点是对张量实施逐元素运算。 有些标量运算符对常用的数学运算符进行了重载。并且支持类似numpy的广播特性。 许多标量运算符都在 tf.math模块下。 一、标量运算 import tensorflow as tf import numpy as np a
tensorflow_serving_client_grpc-2.0-py3-none-any.whl
最新发布
03-28
这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是...
tensorflow1.x入门与实战代码_,tensorflow2.0运行1.0代码,Python
09-10
5. **运算（Operations）**：TensorFlow提供了一系列内置的数学运算，如加法、乘法、卷积等，用于构建计算图。 6. **模型构建**：用户可以通过定义损失函数、优化器和评估指标来构建模型。 7. **图执行**：计算图...
tensorflow2.0系列（2）：张量的运算
几何君的算法天空
01-06 3687
张量运算 tensorflow定义了很多张量的基本运算，由于张量的特殊属性，其运算操作主要有两类，一类是基于行列式/线性代数的，一类是对elemental-wise的运算。最常用的有： 求和：tf.add 乘法：tf.matmul, 求逆运算：tf.linalg.inv 基于线性代数的运算大多数都在tf.linalg模块中定义。https://tensorflow.google.cn/api_...
tensorflow_compression-2.0b2-cp38-cp38-manylinux2010_x86_64.whl
03-22
这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是...
tensorflow2.0:常用函数
sinat_40304087的博客
12-23 1027
这一系列的文章是【北京大学】Tensorflow2.0_哔哩哔哩_bilibili的笔记，这系列课程讲得很好，推荐观看。话不多说直接放代码： #导入需要的库： import tensorflow as tf import numpy as np #类型转换：tf.cast a= tf.constant([1,2,3]) #默认为int32 b= tf.cast(a, dtype= tf.float64) #转换为float64 print(b) tf.reduce_max(a) #得到最大值 tf
Tensorflow2.0快速入门必了解函数
shuai_yue的博客
03-21 355
TensorFlow基本概念: 程序 = 数据结构+算法 TensorFlow程序 = 张量数据结构 + 计算图计算语言 张量和计算图是TensorFlow的核心概念。 TensorFlow的基本数据结构是张量tensor,张量即多维数组,类似于numpy中的array 常量 : contant 变量: Variable 常量的值在计算图中不可以被重新赋值，变量可以在计算图中用assign等算子重新赋值。 不同类型的数据可以用不同维度(rank)的张量来表示。 标量为0维张量，向量为1维张量，矩阵为2
TensorFlow完整的运算符重载清单，强力收藏！
中科院计算所培训中心
01-23 1086
TensorFlow对常见数学运算符进行了重载，以使乘法、加法、减法及其他常见运算更加简洁。如果运算符有一个或多个参数（操作对象）为Tensor对象，则会有一个TensorFlow OP被调用，并被添加到数据流图中。 例如，可按照下列方式轻松实现两个张量的加法： # 假设a和b均为Tensor对象，且形状匹配，c=a+b 完整的张量重载运算符清单：
Tensorflow2项目实战课程
03-14
Tensorflow2.0介绍： tensorflow是GOOGLE在2015年底发布的一款深度学习框架，也是目前全世界用得最多，发展最好的深度学习框架。2019年3月8日，GOOGLE发布最新tensorflow2版本。新版本的tensorflow有很多新特征，更快更容易使用更人性化。但是老版的tensorflow程序在新版本中几乎都无法继续使用，所以我们有必要学习新版tensorflow2的新用法。课程介绍： 我们的这门课程适合小白学习，也适合有基础的同学学习。课程会从0开始学习，从python环境安装，python入门，numpy，pandas，matplotlib使用，深度学习基础，一直讲到tensorflow基础，进阶，项目实战。不管你是0基础小白，想进入AI行业，还是有一定基础，想学习最新的tensorflow2的使用，都适合我们这门课程。讲师介绍： 覃秉丰，物理系毕业转AI行业，想转行同学可以找我聊聊。机器学习、深度学习神经网络领域多年研究开发授课经验，精通算法原理与编程实践；曾完成过多项图像识别、目标识别、语音识别等企业项目，一线实战经验丰富；长期为多家包括世界五百强在内的大型企业总部做人工智能技术内训服务（中国移动、中国银行，华夏银行，中国太平洋，国家电网、中海油等）。上课特点：公式尽量一个一个符号推，代码尽量一行一行讲，希望所有人都能学有所得。
汇总TensorFLow2.0运算法则
源代码杀手的博客
11-02 1073
一、Tensor 之间的运算法则 1) 相同大小 Tensor 之间的任何算术运算都会将运算应用到元素级 2) 不同大小 Tensor(要求dimension 0 必须相同) 之间的运算叫做广播(broadcasting) 3) Tensor 与 Scalar(0维 tensor) 间的算术运算会将那个标量值传播到各个元素 4) Note：TensorFLow 在进行数学运算时，一定要求各个 Tensor 数据类型一致 二、算术操作（+，-，*，/，Mod） （1）tensor-tensor操作(e
tensorflow的数学运算符、矩阵运算符
VIEO
05-13 3328
元学习论文总结||小样本学习论文总结 2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019 1.算术运算 # 算术操作符：+ - * / % tf.add(x, y, name=None) # 加法(支持 broa...
tensorflow2之数学运算
allen的博客
05-20 1994
官方API 大部分数学运算：tf.math 随机数：tf.random 矩阵运算：tf.linalg 乘法：tf.matmul（实际上是tf.linalg.matmul），等同于@ 转置：tf.transpose() 生成对角阵：tf.linalg.diag：可定制对角线上一行/下一行等信息 获取对角阵元素：tf.linalg.diag_part 逆：tf.linalg.inv() 求迹：tf.linalg.trace() 范数：tf.linalg.norm() 行列式：tf.linalg.det()
TensorFlow2.1中的数据统计
进击的Explorer
03-27 495
1、范数tf.norm函数 计算向量、矩阵和张量的范数。 范数的定义：     1、向量x=[3,−2,1]Tx = [3, -2, 1]^Tx=[3,−2,1]T的欧式范数 (Euclidean norm) 为 ∣∣x∣∣2=32+(−2)2+12=3.742||x||_2 = \sqrt{3^2 +(-2)^2 + 1^2} = 3.742∣∣x∣∣2​=32+(−2)2+12​=3.742...
TensorFlow2.1下的数学运算
进击的Explorer
03-21 871
1、tensor的加减乘除求余取整（+-*/%//） 注，这里的乘（*）是矩阵的对应元素相乘 一个/是数学中除法，两个//是取整 b = tf.fill([2, 2], 2.) a = tf.ones([2, 2]) a + b, a - b, a* b, a/b Out[137]: (<tf.Tensor: shape=(2, 2), dtype=float32, numpy= ar...
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