 Zobacz na TensorFlow.org |  Uruchom w Google Colab |  Wyświetl źródło na GitHub |  Pobierz notatnik |
import tensorflow as tf
import numpy as np
Tensory to wielowymiarowe tablice o jednolitym typie (nazywanym dtype ). Możesz zobaczyć wszystkie obsługiwane dtypes na tf.dtypes.DType .
Jeśli znasz NumPy , tensory są (rodzaj) jak np.arrays .
Wszystkie tensory są niezmienne, podobnie jak liczby i łańcuchy w Pythonie: nigdy nie możesz zaktualizować zawartości tensora, a jedynie utworzyć nowy.
Podstawy
Stwórzmy kilka podstawowych tensorów.
Oto tensor „skalarny” lub „ranga 0” . Skalar zawiera pojedynczą wartość i nie zawiera „osi”.
# This will be an int32 tensor by default; see "dtypes" below.
rank_0_tensor = tf.constant(4)
print(rank_0_tensor)
tf.Tensor(4, shape=(), dtype=int32)
Tensor „wektorowy” lub „ranga-1” jest jak lista wartości. Wektor ma jedną oś:
# Let's make this a float tensor.
rank_1_tensor = tf.constant([2.0, 3.0, 4.0])
print(rank_1_tensor)
tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32)
Tensor „macierzy” lub „rangi-2” ma dwie osie:
# If you want to be specific, you can set the dtype (see below) at creation time
rank_2_tensor = tf.constant([[1, 2],
[3, 4],
[5, 6]], dtype=tf.float16)
print(rank_2_tensor)
tf.Tensor( [[1. 2.] [3. 4.] [5. 6.]], shape=(3, 2), dtype=float16)
Skalar, kształt: [] | Wektor, kształt: [3] | Matryca, kształt: [3, 2] |
|---|---|---|
 |  |  |
Tensory mogą mieć więcej osi; oto tensor z trzema osiami:
# There can be an arbitrary number of
# axes (sometimes called "dimensions")
rank_3_tensor = tf.constant([
[[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]],
[[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19]],
[[20, 21, 22, 23, 24],
[25, 26, 27, 28, 29]],])
print(rank_3_tensor)
tf.Tensor( [[[ 0 1 2 3 4] [ 5 6 7 8 9]] [[10 11 12 13 14] [15 16 17 18 19]] [[20 21 22 23 24] [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32)
Istnieje wiele sposobów wizualizacji tensora z więcej niż dwiema osiami.
Tensor 3-osiowy, kształt: [3, 2, 5] | ||
|---|---|---|
 |  |  |
Możesz przekonwertować tensor na tablicę NumPy za pomocą np.array lub tensor.numpy :
np.array(rank_2_tensor)
array([[1., 2.],
[3., 4.],
[5., 6.]], dtype=float16)
rank_2_tensor.numpy()
array([[1., 2.],
[3., 4.],
[5., 6.]], dtype=float16)
Tensory często zawierają pływaki i int, ale mają wiele innych typów, w tym:
- Liczby zespolone
- smyczki
Podstawowa klasa tf.Tensor wymaga, aby tensory były „prostokątne” — to znaczy, wzdłuż każdej osi każdy element ma ten sam rozmiar. Istnieją jednak wyspecjalizowane typy tensorów, które mogą obsługiwać różne kształty:
- Ragged tensory (zobacz RaggedTensor poniżej)
- Rzadkie tensory (patrz poniżej SparseTensor )
Możesz wykonać podstawową matematykę na tensorach, w tym dodawanie, mnożenie elementów i mnożenie macierzy.
a = tf.constant([[1, 2],
[3, 4]])
b = tf.constant([[1, 1],
[1, 1]]) # Could have also said `tf.ones([2,2])`
print(tf.add(a, b), "\n")
print(tf.multiply(a, b), "\n")
print(tf.matmul(a, b), "\n")
tf.Tensor( [[2 3] [4 5]], shape=(2, 2), dtype=int32) tf.Tensor( [[1 2] [3 4]], shape=(2, 2), dtype=int32) tf.Tensor( [[3 3] [7 7]], shape=(2, 2), dtype=int32)
print(a + b, "\n") # element-wise addition
print(a * b, "\n") # element-wise multiplication
print(a @ b, "\n") # matrix multiplication
tf.Tensor( [[2 3] [4 5]], shape=(2, 2), dtype=int32) tf.Tensor( [[1 2] [3 4]], shape=(2, 2), dtype=int32) tf.Tensor( [[3 3] [7 7]], shape=(2, 2), dtype=int32)
Tensory są używane we wszelkiego rodzaju operacjach (ops).
c = tf.constant([[4.0, 5.0], [10.0, 1.0]])
# Find the largest value
print(tf.reduce_max(c))
# Find the index of the largest value
print(tf.argmax(c))
# Compute the softmax
print(tf.nn.softmax(c))
tf.Tensor(10.0, shape=(), dtype=float32) tf.Tensor([1 0], shape=(2,), dtype=int64) tf.Tensor( [[2.6894143e-01 7.3105854e-01] [9.9987662e-01 1.2339458e-04]], shape=(2, 2), dtype=float32)
O kształtach
Tensory mają kształty. Trochę słownictwa:
- Kształt : Długość (liczba elementów) każdej z osi tensora.
- Ranga : liczba osi tensora. Skalar ma rangę 0, wektor ma rangę 1, macierz ma rangę 2.
- Oś lub wymiar : określony wymiar tensora.
- Rozmiar : całkowita liczba elementów w tensorze, wektor kształtu produktu.
Obiekty Tensors i tf.TensorShape mają wygodne właściwości umożliwiające dostęp do tych obiektów:
rank_4_tensor = tf.zeros([3, 2, 4, 5])
Tensor rangi 4, kształt: [3, 2, 4, 5] | |
|---|---|
 |  |
print("Type of every element:", rank_4_tensor.dtype)
print("Number of axes:", rank_4_tensor.ndim)
print("Shape of tensor:", rank_4_tensor.shape)
print("Elements along axis 0 of tensor:", rank_4_tensor.shape[0])
print("Elements along the last axis of tensor:", rank_4_tensor.shape[-1])
print("Total number of elements (3*2*4*5): ", tf.size(rank_4_tensor).numpy())
Type of every element: <dtype: 'float32'> Number of axes: 4 Shape of tensor: (3, 2, 4, 5) Elements along axis 0 of tensor: 3 Elements along the last axis of tensor: 5 Total number of elements (3*2*4*5): 120
Chociaż osie są często określane przez ich indeksy, zawsze należy śledzić znaczenie każdego z nich. Często osie są uporządkowane od globalnego do lokalnego: najpierw oś wsadu, a następnie wymiary przestrzenne i cechy dla każdej lokalizacji na końcu. W ten sposób wektory cech są ciągłymi obszarami pamięci.
| Typowa kolejność osi |
|---|
 |
Indeksowanie
Indeksowanie jednoosiowe
TensorFlow przestrzega standardowych reguł indeksowania Pythona, podobnych do indeksowania listy lub ciągu znaków w Pythonie oraz podstawowych reguł indeksowania NumPy.
- indeksy zaczynają się od
0 - indeksy ujemne liczą się wstecz od końca
- dwukropki,
:, są używane dla plasterków:start:stop:step
rank_1_tensor = tf.constant([0, 1, 1, 2, 3, 5, 8, 13, 21, 34])
print(rank_1_tensor.numpy())
[ 0 1 1 2 3 5 8 13 21 34]
Indeksowanie skalarem usuwa oś:
print("First:", rank_1_tensor[0].numpy())
print("Second:", rank_1_tensor[1].numpy())
print("Last:", rank_1_tensor[-1].numpy())
First: 0 Second: 1 Last: 34
Indeksowanie z : plasterkiem zachowuje oś:
print("Everything:", rank_1_tensor[:].numpy())
print("Before 4:", rank_1_tensor[:4].numpy())
print("From 4 to the end:", rank_1_tensor[4:].numpy())
print("From 2, before 7:", rank_1_tensor[2:7].numpy())
print("Every other item:", rank_1_tensor[::2].numpy())
print("Reversed:", rank_1_tensor[::-1].numpy())
Everything: [ 0 1 1 2 3 5 8 13 21 34] Before 4: [0 1 1 2] From 4 to the end: [ 3 5 8 13 21 34] From 2, before 7: [1 2 3 5 8] Every other item: [ 0 1 3 8 21] Reversed: [34 21 13 8 5 3 2 1 1 0]
Indeksowanie wieloosiowe
Tensory o wyższej randze są indeksowane przez przekazywanie wielu indeksów.
Dokładnie te same zasady, co w przypadku pojedynczej osi, dotyczą każdej osi niezależnie.
print(rank_2_tensor.numpy())
[[1. 2.] [3. 4.] [5. 6.]]
Po przekazaniu liczby całkowitej dla każdego indeksu wynikiem jest skalar.
# Pull out a single value from a 2-rank tensor
print(rank_2_tensor[1, 1].numpy())
4.0
Możesz indeksować za pomocą dowolnej kombinacji liczb całkowitych i wycinków:
# Get row and column tensors
print("Second row:", rank_2_tensor[1, :].numpy())
print("Second column:", rank_2_tensor[:, 1].numpy())
print("Last row:", rank_2_tensor[-1, :].numpy())
print("First item in last column:", rank_2_tensor[0, -1].numpy())
print("Skip the first row:")
print(rank_2_tensor[1:, :].numpy(), "\n")
Second row: [3. 4.] Second column: [2. 4. 6.] Last row: [5. 6.] First item in last column: 2.0 Skip the first row: [[3. 4.] [5. 6.]]
Oto przykład z tensorem 3-osiowym:
print(rank_3_tensor[:, :, 4])
tf.Tensor( [[ 4 9] [14 19] [24 29]], shape=(3, 2), dtype=int32)
| Wybór ostatniej funkcji we wszystkich lokalizacjach w każdym przykładzie w partii | |
|---|---|
 |  |
Przeczytaj przewodnik dotyczący wycinania tensorów, aby dowiedzieć się, jak zastosować indeksowanie do manipulowania poszczególnymi elementami w tensorach.
Manipulowanie kształtami
Zmiana kształtu tensora jest bardzo przydatna.
# Shape returns a `TensorShape` object that shows the size along each axis
x = tf.constant([[1], [2], [3]])
print(x.shape)
(3, 1)
# You can convert this object into a Python list, too
print(x.shape.as_list())
[3, 1]
Możesz przekształcić tensor w nowy kształt. Operacja tf.reshape jest szybka i tania, ponieważ podstawowe dane nie muszą być duplikowane.
# You can reshape a tensor to a new shape.
# Note that you're passing in a list
reshaped = tf.reshape(x, [1, 3])
print(x.shape)
print(reshaped.shape)
(3, 1) (1, 3)
Dane zachowują swój układ w pamięci i tworzony jest nowy tensor o żądanym kształcie, wskazujący te same dane. TensorFlow używa porządkowania pamięci w stylu C „wiersz-główny”, gdzie zwiększenie indeksu znajdującego się najbardziej po prawej stronie odpowiada pojedynczemu krokowi w pamięci.
print(rank_3_tensor)
tf.Tensor( [[[ 0 1 2 3 4] [ 5 6 7 8 9]] [[10 11 12 13 14] [15 16 17 18 19]] [[20 21 22 23 24] [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32)
Jeśli spłaszczysz tensor, możesz zobaczyć, jaka kolejność jest ułożona w pamięci.
# A `-1` passed in the `shape` argument says "Whatever fits".
print(tf.reshape(rank_3_tensor, [-1]))
tf.Tensor( [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29], shape=(30,), dtype=int32)
Zazwyczaj jedynym rozsądnym zastosowaniem tf.reshape jest łączenie lub dzielenie sąsiednich osi (lub dodanie/usunięcie 1 s).
W przypadku tego tensora 3x2x5 zmiana kształtu na (3x2)x5 lub 3x(2x5) jest rozsądnym rozwiązaniem, ponieważ plasterki nie mieszają się:
print(tf.reshape(rank_3_tensor, [3*2, 5]), "\n")
print(tf.reshape(rank_3_tensor, [3, -1]))
tf.Tensor( [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14] [15 16 17 18 19] [20 21 22 23 24] [25 26 27 28 29]], shape=(6, 5), dtype=int32) tf.Tensor( [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19] [20 21 22 23 24 25 26 27 28 29]], shape=(3, 10), dtype=int32)
| Kilka dobrych zmian. | ||
|---|---|---|
 |  |  |
Zmiana kształtu będzie "działać" dla każdego nowego kształtu z taką samą całkowitą liczbą elementów, ale nie przyniesie niczego użytecznego, jeśli nie zachowasz kolejności osi.
Zamiana osi w tf.reshape nie działa; potrzebujesz do tego tf.transpose .
# Bad examples: don't do this
# You can't reorder axes with reshape.
print(tf.reshape(rank_3_tensor, [2, 3, 5]), "\n")
# This is a mess
print(tf.reshape(rank_3_tensor, [5, 6]), "\n")
# This doesn't work at all
try:
tf.reshape(rank_3_tensor, [7, -1])
except Exception as e:
print(f"{type(e).__name__}: {e}")
tf.Tensor( [[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] [[15 16 17 18 19] [20 21 22 23 24] [25 26 27 28 29]]], shape=(2, 3, 5), dtype=int32) tf.Tensor( [[ 0 1 2 3 4 5] [ 6 7 8 9 10 11] [12 13 14 15 16 17] [18 19 20 21 22 23] [24 25 26 27 28 29]], shape=(5, 6), dtype=int32) InvalidArgumentError: Input to reshape is a tensor with 30 values, but the requested shape requires a multiple of 7 [Op:Reshape]
| Kilka złych zmian. | ||
|---|---|---|
 |  |  |
Możesz natknąć się na nie do końca określone kształty. Albo kształt zawiera None (długość osi jest nieznana), albo cały kształt jest None (ranga tensora jest nieznana).
Z wyjątkiem tf.RaggedTensor , takie kształty będą występować tylko w kontekście symbolicznych, budujących wykresy API TensorFlow:
Więcej o DTypes
Aby sprawdzić typ danych tf.Tensor , użyj właściwości Tensor.dtype .
Podczas tworzenia tf.Tensor z obiektu Pythona możesz opcjonalnie określić typ danych.
Jeśli tego nie zrobisz, TensorFlow wybierze typ danych, który może reprezentować Twoje dane. TensorFlow konwertuje liczby całkowite Pythona na tf.int32 i liczby zmiennoprzecinkowe Pythona na tf.float32 . W przeciwnym razie TensorFlow używa tych samych reguł, których używa NumPy podczas konwersji na tablice.
Możesz przesyłać z tekstu na tekst.
the_f64_tensor = tf.constant([2.2, 3.3, 4.4], dtype=tf.float64)
the_f16_tensor = tf.cast(the_f64_tensor, dtype=tf.float16)
# Now, cast to an uint8 and lose the decimal precision
the_u8_tensor = tf.cast(the_f16_tensor, dtype=tf.uint8)
print(the_u8_tensor)
tf.Tensor([2 3 4], shape=(3,), dtype=uint8)
Nadawanie
Nadawanie to koncepcja zapożyczona z równoważnej funkcji w NumPy . Krótko mówiąc, w pewnych warunkach mniejsze tensory są automatycznie „rozciągane”, aby pasowały do większych tensorów podczas wykonywania na nich operacji łączonych.
Najprostszym i najczęstszym przypadkiem jest próba pomnożenia lub dodania tensora do skalara. W takim przypadku skalar jest emitowany tak, aby miał ten sam kształt, co inny argument.
x = tf.constant([1, 2, 3])
y = tf.constant(2)
z = tf.constant([2, 2, 2])
# All of these are the same computation
print(tf.multiply(x, 2))
print(x * y)
print(x * z)
tf.Tensor([2 4 6], shape=(3,), dtype=int32) tf.Tensor([2 4 6], shape=(3,), dtype=int32) tf.Tensor([2 4 6], shape=(3,), dtype=int32)
Podobnie osie o długości 1 można rozciągnąć, aby dopasować inne argumenty. Oba argumenty można rozciągnąć w tym samym obliczeniu.
W tym przypadku macierz 3x1 jest mnożona elementowo przez macierz 1x4, aby uzyskać macierz 3x4. Zwróć uwagę, że wiodąca 1 jest opcjonalna: Kształt y to [4] .
# These are the same computations
x = tf.reshape(x,[3,1])
y = tf.range(1, 5)
print(x, "\n")
print(y, "\n")
print(tf.multiply(x, y))
tf.Tensor( [[1] [2] [3]], shape=(3, 1), dtype=int32) tf.Tensor([1 2 3 4], shape=(4,), dtype=int32) tf.Tensor( [[ 1 2 3 4] [ 2 4 6 8] [ 3 6 9 12]], shape=(3, 4), dtype=int32)
Emitowany add: a [3, 1] razy a [1, 4] daje [3,4] |
|---|
 |
Oto ta sama operacja bez nadawania:
x_stretch = tf.constant([[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3]])
y_stretch = tf.constant([[1, 2, 3, 4],
[1, 2, 3, 4],
[1, 2, 3, 4]])
print(x_stretch * y_stretch) # Again, operator overloading
tf.Tensor( [[ 1 2 3 4] [ 2 4 6 8] [ 3 6 9 12]], shape=(3, 4), dtype=int32)
W większości przypadków nadawanie jest efektywne zarówno pod względem czasu, jak i przestrzeni, ponieważ operacja nadawania nigdy nie materializuje rozszerzonych tensorów w pamięci.
Zobaczysz, jak wygląda nadawanie za pomocą tf.broadcast_to .
print(tf.broadcast_to(tf.constant([1, 2, 3]), [3, 3]))
tf.Tensor( [[1 2 3] [1 2 3] [1 2 3]], shape=(3, 3), dtype=int32)
W przeciwieństwie do operacji matematycznej, na przykład broadcast_to nie robi nic specjalnego w celu zaoszczędzenia pamięci. Tutaj materializujesz tensor.
Może się to jeszcze bardziej skomplikować. Ta sekcja książki Jake'a VanderPlasa Python Data Science Handbook pokazuje więcej trików związanych z transmisją (znowu w NumPy).
tf.convert_to_tensor
Większość operacji, takich jak tf.matmul i tf.reshape , przyjmuje argumenty klasy tf.Tensor . Zauważysz jednak, że w powyższym przypadku obiekty Pythona w kształcie tensorów są akceptowane.
Większość, ale nie wszystkie, operacje wywołują convert_to_tensor na argumentach innych niż tensor. Istnieje rejestr konwersji, a większość klas obiektów, takich jak ndarray , TensorShape , listy Python i tf.Variable firmy NumPy, konwertuje się automatycznie.
Zobacz tf.register_tensor_conversion_function , aby uzyskać więcej informacji, a jeśli masz własny typ, chcesz automatycznie przekonwertować go na tensor.
Poszarpane Tensory
Tensor ze zmienną liczbą elementów wzdłuż pewnej osi nazywany jest „postrzępionym”. Użyj tf.ragged.RaggedTensor dla nierównych danych.
Na przykład This nie może być reprezentowane jako zwykły tensor:
A tf.RaggedTensor , kształt: [4, None] |
|---|
 |
ragged_list = [
[0, 1, 2, 3],
[4, 5],
[6, 7, 8],
[9]]
try:
tensor = tf.constant(ragged_list)
except Exception as e:
print(f"{type(e).__name__}: {e}")
ValueError: Can't convert non-rectangular Python sequence to Tensor.
Zamiast tego utwórz tf.RaggedTensor za pomocą tf.ragged.constant :
ragged_tensor = tf.ragged.constant(ragged_list)
print(ragged_tensor)
<tf.RaggedTensor [[0, 1, 2, 3], [4, 5], [6, 7, 8], [9]]>
Kształt tf.RaggedTensor będzie zawierał kilka osi o nieznanych długościach:
print(ragged_tensor.shape)
(4, None)
Tensory strun
tf.string to dtype , co oznacza, że możesz reprezentować dane jako łańcuchy (tablice bajtów o zmiennej długości) w tensorach.
Ciągi są niepodzielne i nie mogą być indeksowane w taki sam sposób, jak ciągi w Pythonie. Długość struny nie jest jedną z osi tensora. Zobacz tf.strings dla funkcji do manipulowania nimi.
Oto skalarny tensor strun:
# Tensors can be strings, too here is a scalar string.
scalar_string_tensor = tf.constant("Gray wolf")
print(scalar_string_tensor)
tf.Tensor(b'Gray wolf', shape=(), dtype=string)
I wektor ciągów:
Wektor strun, kształt: [3,] |
|---|
 |
# If you have three string tensors of different lengths, this is OK.
tensor_of_strings = tf.constant(["Gray wolf",
"Quick brown fox",
"Lazy dog"])
# Note that the shape is (3,). The string length is not included.
print(tensor_of_strings)
tf.Tensor([b'Gray wolf' b'Quick brown fox' b'Lazy dog'], shape=(3,), dtype=string)
Na powyższym wydruku prefiks b wskazuje, że tf.string nie jest ciągiem Unicode, ale ciągiem bajtów. Zobacz samouczek Unicode , aby dowiedzieć się więcej o pracy z tekstem Unicode w TensorFlow.
Jeśli przekażesz znaki Unicode, zostaną one zakodowane w UTF-8.
tf.constant("🥳👍")
<tf.Tensor: shape=(), dtype=string, numpy=b'\xf0\x9f\xa5\xb3\xf0\x9f\x91\x8d'>
Niektóre podstawowe funkcje z ciągami można znaleźć w tf.strings , w tym tf.strings.split .
# You can use split to split a string into a set of tensors
print(tf.strings.split(scalar_string_tensor, sep=" "))
tf.Tensor([b'Gray' b'wolf'], shape=(2,), dtype=string)
# ...but it turns into a `RaggedTensor` if you split up a tensor of strings,
# as each string might be split into a different number of parts.
print(tf.strings.split(tensor_of_strings))
<tf.RaggedTensor [[b'Gray', b'wolf'], [b'Quick', b'brown', b'fox'], [b'Lazy', b'dog']]>
Trzy struny podzielone, kształt: [3, None] |
|---|
 |
Oraz tf.string.to_number :
text = tf.constant("1 10 100")
print(tf.strings.to_number(tf.strings.split(text, " ")))
tf.Tensor([ 1. 10. 100.], shape=(3,), dtype=float32)
Chociaż nie możesz użyć tf.cast do zamiany tensora ciągu na liczby, możesz go przekonwertować na bajty, a następnie na liczby.
byte_strings = tf.strings.bytes_split(tf.constant("Duck"))
byte_ints = tf.io.decode_raw(tf.constant("Duck"), tf.uint8)
print("Byte strings:", byte_strings)
print("Bytes:", byte_ints)
Byte strings: tf.Tensor([b'D' b'u' b'c' b'k'], shape=(4,), dtype=string) Bytes: tf.Tensor([ 68 117 99 107], shape=(4,), dtype=uint8)
# Or split it up as unicode and then decode it
unicode_bytes = tf.constant("アヒル 🦆")
unicode_char_bytes = tf.strings.unicode_split(unicode_bytes, "UTF-8")
unicode_values = tf.strings.unicode_decode(unicode_bytes, "UTF-8")
print("\nUnicode bytes:", unicode_bytes)
print("\nUnicode chars:", unicode_char_bytes)
print("\nUnicode values:", unicode_values)
Unicode bytes: tf.Tensor(b'\xe3\x82\xa2\xe3\x83\x92\xe3\x83\xab \xf0\x9f\xa6\x86', shape=(), dtype=string) Unicode chars: tf.Tensor([b'\xe3\x82\xa2' b'\xe3\x83\x92' b'\xe3\x83\xab' b' ' b'\xf0\x9f\xa6\x86'], shape=(5,), dtype=string) Unicode values: tf.Tensor([ 12450 12498 12523 32 129414], shape=(5,), dtype=int32)
tf.string jest używany dla wszystkich nieprzetworzonych danych bajtowych w TensorFlow. Moduł tf.io zawiera funkcje do konwersji danych do iz bajtów, w tym dekodowanie obrazów i parsowanie csv.
Rzadkie tensory
Czasami twoje dane są rzadkie, jak bardzo szeroka przestrzeń do osadzania. TensorFlow obsługuje tf.sparse.SparseTensor i powiązane operacje w celu wydajnego przechowywania rzadkich danych.
A tf.SparseTensor , kształt: [3, 4] |
|---|
 |
# Sparse tensors store values by index in a memory-efficient manner
sparse_tensor = tf.sparse.SparseTensor(indices=[[0, 0], [1, 2]],
values=[1, 2],
dense_shape=[3, 4])
print(sparse_tensor, "\n")
# You can convert sparse tensors to dense
print(tf.sparse.to_dense(sparse_tensor))
SparseTensor(indices=tf.Tensor( [[0 0] [1 2]], shape=(2, 2), dtype=int64), values=tf.Tensor([1 2], shape=(2,), dtype=int32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64)) tf.Tensor( [[1 0 0 0] [0 0 2 0] [0 0 0 0]], shape=(3, 4), dtype=int32)