TensorFlow2 0張量的典型應用

1.標量

標量的典型用途之一是誤差值的表示、各種測量指標的表示，比如準確度，精度和召回率等。

import tensorflow as tf
# 隨機模擬網路輸出
out = tf.random.uniform([4
,10])
# 隨即構造樣本真實標籤
y = tf.constant([2
,3,2
,0])
# one-hot編碼
y = tf.one_hot(y, depth=10)
# 計算每個樣本的mse
loss = tf.keras.losses.mse(y, out)
# 平均mse
loss = tf.reduce_mean(loss)
print
(loss)
tf.tensor(
0.3360483
, shape=()
, dtype=float32)

2.向量

向量是一種非常常見的資料載體，如在全連線層和卷積神經網路層中，偏置張量?就

使用向量來表示。

例如 2 個輸出節點的網路層，我們建立長度為 2 的偏置向量?，並累加在每個輸出節點上：

# 模擬獲得啟用函式的輸入z
z = tf.random.normal([4
,2])
print
(z)# 模擬偏置向量
b = tf.ones([2
])print
(b)# 累加偏置
z = z + b
print
(z)tf.tensor([[
-0.38646775
0.5014004][
-1.5671092
-0.47123888][
0.13978423
0.7581109][
0.315308
-0.8128488]]
, shape=(4
,2), dtype=float32)
tf.tensor([1
.1.]
, shape=(2
,), dtype=float32)
tf.tensor([[
0.61353225
1.5014005][
-0.5671092
0.52876115][
1.1397842
1.7581109][
1.315308
0.1871512]]
, shape=(4
,2), dtype=float32)

另外，可以通過高層介面dense()方式直接建立的網路層，張量w和b儲存在類的內部，由類自動建立並管理。可以通過全連線層的 bias 成員變數檢視偏置變數b。

3.矩陣

矩陣也是非常常見的張量型別，比如全連線層的批量輸入? = [?, ???]，其中?表示輸入樣本的個數，即 batch size，???表示輸入特徵的長度。

# 建立特徵長度為 4，一共包含 2 個樣本的輸入資料
x = tf.random.normal([2
,4])
# 定義w張量
# 令全連線層的輸出節點數為 3，則它的權值張量 w 的 shape 為[4,3]
w = tf.ones([4
,3])
# 定義b張量
b = tf.zeros([3
])# x@w+b運算
o = x@w + b
o218, shape=(2
,3), dtype=float32, numpy=
array([[
-0.6558767,-
0.6558767,-
0.6558767],
[-0.01086588,-
0.01086588,-
0.01086588]]
, dtype=float32)
>

x@w+b 網路層稱為線性層，在 tensorflow 中可以通過 dense類直接實現，dense 層也稱為全連線層。我們通過 dense 類建立輸入 4 個節點，輸出 3 個節點的網路層，可以通過全連線層的 kernel 成員名檢視其權值矩陣 w：

import tensorflow as tf 
from keras import layers
# 定義全連線層輸出結點為3
fc = layers.dense(3)
# 定義全連線層的輸入結點為4
fc.build(input_shape=(2
,4))
# 通過kernel成員名檢視其權值矩陣w
fc.kernel
,3) dtype=float32, numpy=
array([[
-0.32323658,-
0.29640782
,0.27804315],
[0.57349694,-
0.45690656
,0.41877365],
[0.7450305
,0.39951694
,0.072891],
[-0.2107293
,0.5728272,-
0.20536023]]
, dtype=float32)
>

4.三維張量

三維的張量乙個典型應用是表示序列訊號，它的格式是：

? = [?, ???????? ???, ??????? ???]

其中?表示序列訊號的數量，sequence len 表示序列訊號在時間維度上的取樣點數，feature len 表示每個點的特徵長度。

這個可以通過imdb 電影評價資料集自行理解，比如x_train 張量的 shape 為[25000,80]，其中 25000 表示句子個數，80 表示每個句子共 80 個單詞，每個單詞使用數字編碼方式。我們通過 layers.embedding 層將數字編碼的單詞轉換為長度為 100 個詞向量：

這樣訓練集的大小即為 tensorshape([25000, 80, 100])

4.四維張量

大於 4 維的張量一般應用的比較少。

4 維張量在卷積神經網路中應用的非常廣泛，它用於儲存特徵圖(feature maps)資料，格式一般定義為[b, h, w, c]。

其中?表示輸入的數量，h/w分布表示特徵圖的高寬，?表示特徵圖的通道數。

TensorFlow2 0張量的典型應用

Tensorflow2 0張量生成

tensorflow2 0 建立張量2

Tensorflow2 0學習筆記建立張量

TensorFlow2 0張量的典型應用

Tensorflow2 0張量生成

tensorflow2 0 建立張量2

Tensorflow2 0學習筆記 建立張量

相關推薦

Tensorflow2 0學習筆記建立張量