tensorflow从入门到放弃再到精通(4.3):张量的典型应用

聪明的小k

于 2020-08-10 16:49:14 发布

阅读量420

点赞数

分类专栏：机器学习 python 文章标签：深度学习 tensorflow

本文链接：https://blog.csdn.net/xuanzhuanguo/article/details/107913120

版权

本文详细介绍了TensorFlow中张量的应用，从标量到四维张量，包括它们在深度学习中的作用。标量用于表示误差和指标；向量用于全连接层和卷积层的偏置；矩阵用于全连接层的输入和权重；三维张量用于序列信号处理，如NLP中的句子表示；四维张量常见于卷积神经网络的特征图数据。

摘要由CSDN通过智能技术生成

4.5 张量的典型应用

4.5.1 标量

在 TensorFlow 中，标量最容易理解，它就是一个简单的数字，维度数为 0，shape 为[]。标量的一些典型用途是误差值的表示、测量指标的表示，比如精确度(Accuracy)，精度(Precision)，召回率等(Recall)。

如下图，横坐标为训练步数step，纵坐标为误差变化趋势，其中损失值和准确度均由张量计算产生，类型为标量，可以直接可视化为曲线图。

以均方差误差函数为例，经过 tf.keras.losses.mse(或 tf.keras.losses.MSE，两者相同功能)返回每个样本上的误差值，最后取误差的均值作为当前 Batch 的误差，它是一个标量

#随机模拟网络输出 
out = tf.random.uniform([4, 10])
# 随机构造样本真实标签 
y = tf.constant([2,3,2,0])
# one-hot 编码
y = tf.one_hot(y, depth=10)
# 计算每个样本的 MSE 
loss = tf.keras.losses.mse(y, out)
# 平均 MSE,loss 应是标量 
loss = tf.reduce_mean(loss)


###结果###
#tf.