TensorFlow神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之張量與變量概念
更新時(shí)間：2021年10月16日 17:16:06 作者：_睿智_
這篇文章主要為大家介紹了TensorFlow神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的基本知識(shí)張量與變量概念詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助
一、張量定義
張量：TensorFlow的張量是n維數(shù)組，類(lèi)型為tf.Tensor。
標(biāo)量：一個(gè)數(shù)字 （0階張量）
向量：一維數(shù)組 （1階張量）
矩陣：二維數(shù)組 （2階張量）
二、張量屬性
1、張量的類(lèi)型
#創(chuàng)建常數(shù)張量
a = tf.constant(3.0)
print(a)
2、張量的階
三、張量的指令
1、常數(shù)張量（普通）
#創(chuàng)建常數(shù)張量
a = tf.constant(3.0)
print(a)
2、張量數(shù)組
1、固定張量數(shù)組（0）
#創(chuàng)建張量數(shù)組
#0：
array_0 = tf.zeros(shape=[3,3]) #3*3數(shù)組（0）
2、固定張量數(shù)組（1）
#1：
array_1 = tf.ones(shape=[3,3]) #3*3數(shù)組（1）
3、隨機(jī)張量數(shù)組
#隨機(jī)：
array_random = tf.random_normal(shape=[2,3], mean=1.75, stddev=0.12)
# 2*3數(shù)組 均值(1.75) 標(biāo)準(zhǔn)差
3、查看張量值
查看張量值：張量.eval()
#會(huì)話(huà)（查看張量）
with tf.Session() as sess:
print(a.eval())
print(array_0.eval())
print(array_1.eval())
print(array_random.eval())
4、張量類(lèi)型改變
#修改張量類(lèi)型
array_0 = tf.cast(array_0, tf.int32)
5、張量形狀改變
注：屬于動(dòng)態(tài)改變張量，需要張量元素個(gè)數(shù)固定。
#修改張量形狀
array_random = tf.reshape(array_random, shape=[3,2])
修改前：
修改后：
代碼
# 張量（創(chuàng)建與修改）
import tensorflow as tf
# 創(chuàng)建張量
def Create_Tensor():
# 創(chuàng)建常數(shù)張量
a = tf.constant(3.0)
print(a)
# 創(chuàng)建張量數(shù)組
# 0：
array_0 = tf.zeros(shape=[3, 3]) # 3*3數(shù)組（0）
# 1：
array_1 = tf.ones(shape=[3, 3]) # 3*3數(shù)組（1）
# 隨機(jī)：
array_random = tf.random_normal(shape=[2, 3], mean=1.75, stddev=0.12)
# 2*3數(shù)組 均值(1.75) 標(biāo)準(zhǔn)差
# 會(huì)話(huà)（查看張量）
with tf.Session() as sess:
print(a.eval())
print(array_0.eval())
print(array_1.eval())
print(array_random.eval())
# 修改張量
def Modify_Tensor():
global array_0, array_random
print('修改后的：')
# 修改張量類(lèi)型
array_0 = tf.cast(array_0, tf.int32)
# 修改張量形狀
array_random = tf.reshape(array_random, shape=[3, 2])
# 會(huì)話(huà)（查看張量）
with tf.Session() as sess:
print(array_0.eval())
print(array_random.eval())
# 創(chuàng)建張量
Create_Tensor()
# 修改張量
Modify_Tensor()
四、變量
1、定義變量
# 定義變量 a = tf.Variable(initial_value=2) b = tf.Variable(initial_value=4) c = tf.add(a,b)
2、初始化變量
TensorFlow的變量必須初始化，否則會(huì)報(bào)錯(cuò)。
# 初始化變量 init = tf.global_variables_initializer()
3、開(kāi)啟會(huì)話(huà)（執(zhí)行）
# 開(kāi)啟會(huì)話(huà)
with tf.Session() as sess:
sess.run(init)
print(sess.run(c))
代碼
# 變量
import tensorflow as tf
# 定義變量
a = tf.Variable(initial_value=2)
b = tf.Variable(initial_value=4)
c = tf.add(a,b)
# 初始化變量
init = tf.global_variables_initializer()
# 開(kāi)啟會(huì)話(huà)
with tf.Session() as sess:
sess.run(init)
print(sess.run(c))
以上就是TensorFlow神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之張量與變量概念的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
本文主要介紹了Python稀疏矩陣scipy.sparse包使用詳解，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2023-02-02
python常用庫(kù)之NumPy和sklearn入門(mén)
這篇文章主要介紹了python常用庫(kù)之NumPy和sklearn入門(mén)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
這篇文章主要給大家介紹了關(guān)于Django中create和save方法的不同之處，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家學(xué)習(xí)或者使用Django具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-08-08
numpy中np.nanmax和np.max的區(qū)別及坑
這篇文章主要介紹了numpy中np.nanmax和np.max的區(qū)別及坑，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-02-02
這篇文章主要介紹了itchat接口使用示例，itchat接口的相關(guān)知識(shí)，這里是一段代碼示例，這里分享給大家，供需要的朋友參考。努力學(xué)習(xí)中~2017-10-10
Python實(shí)現(xiàn)的旋轉(zhuǎn)數(shù)組功能算法示例
這篇文章主要介紹了Python實(shí)現(xiàn)的旋轉(zhuǎn)數(shù)組功能算法,結(jié)合實(shí)例形式總結(jié)分析了數(shù)組旋轉(zhuǎn)算法的原理與實(shí)現(xiàn)技巧,需要的朋友可以參考下2019-02-02
樸素貝葉斯分類(lèi)算法原理與Python實(shí)現(xiàn)與使用方法案例
這篇文章主要介紹了樸素貝葉斯分類(lèi)算法原理與Python實(shí)現(xiàn)與使用方法,結(jié)合具體實(shí)例形式分析了樸素貝葉斯分類(lèi)算法的概念、原理、實(shí)現(xiàn)流程與相關(guān)操作技巧,需要的朋友可以參考下2018-06-06
這篇文章主要介紹了在Python中用keys()方法返回字典鍵的教程,是Python入門(mén)中的基礎(chǔ)知識(shí),需要的朋友可以參考下2015-05-05
這篇文章主要介紹了Python中生成器和yield語(yǔ)句的用法,生成器是Python編程進(jìn)階中的重要知識(shí)點(diǎn),需要的朋友可以參考下2015-04-04
Python實(shí)現(xiàn)最短路徑問(wèn)題的方法
本篇章主要介紹圖的最短路徑問(wèn)題,包括Dijkstra算法和Floyd算法.并用Python代碼實(shí)現(xiàn),需要的朋友可以參考下2021-06-06