tf.cast ()는 강제 유형 변환을 구현하는 데 사용됩니다.
사용 tf.reduce_min는 ()하는 최소 값을 찾을 수
A의 텐서를. 사용 tf.reduce_max을 ()하는 텐서의 최대 값을 찾을 수 있습니다.
우리는 텐서 (X1)을 구성하고 32 비트 정수 변환합니다.의 최소 값은 1 최대 값은 3입니다.
Axis 는 작동 방향을 지정할 수 있습니다 .2 차원 텐서의 경우 axis = 0이면 첫 번째 차원에서 작동 함을 의미하고 axis = 1은 두 번째 차원에서 작동 함을 의미합니다. axis = 0 : 수직 작동을 의미합니다. , 위도 방향을 따라 수평 작업을 의미하는 경도 방향 축 = 1을 따라
예를 들어 axis = 0 또는 1을 조정하여
평균화 방향을 제어 할 수 있습니다. tf.reduce_mean ()은 2 행 3 열 벡터의 모든 요소를 평균화하는 것입니다.
tf.reduce_sum (x, axis = 1)은 수평 및 위도 방향 인 axis = 1을 따라. 따라서 첫 번째 행의 합은 6이고 두 번째 행의 합은 7입니다.
Variable () 함수는 변수로 "학습 가능"으로 표시 될 수 있으며, 표시되는 변수는 역 전파에 그라디언트 정보를 기록합니다. 신경망 훈련에서이 함수는 훈련 할 매개 변수를 표시하는 데 자주 사용됩니다.
이 예는 신경망 초기화 매개 변수 w의 코드입니다.
먼저 정규 분포 난수를 무작위로 생성 한 다음 생성 된 난수를 훈련 가능으로 표시합니다. , 그래디언트 하강을 통해 역 전파 업데이트 매개 변수 w에서 사용할 수 있습니다.
TensorFlow는
더하기, 빼기, 곱하기, 나누기, 제곱, 거듭 제곱, 제곱근, 행렬 곱셈
코드 예제 와 같이 일반적으로 사용되는 계산 함수를 제공합니다 .
import tensorflow as tf
a = tf.ones([1, 3])
b = tf.fill([1, 3], 3.)
print("a:", a)
print("b:", b)
print("a+b:", tf.add(a, b))
print("a-b:", tf.subtract(a, b))
print("a*b:", tf.multiply(a, b))
print("b/a:", tf.divide(b, a))
먼저 1 개의 행과 3 개의 열이있는 텐서 a를 만들고 모든 요소의 값은 1입니다. 1 개의 행과 3 개의 열이있는 텐서 b를 생성합니다. 모든 요소의 값은 3
입니다. a와 b의 해당 요소를 더한 결과는 [[4. 4. 4.]] a와의 해당 요소
를 뺀 결과입니다. b는 [[-2. -2. -2.]]
a에 b를 곱한 결과는 [[3. 3. 3.]]
b를 a로 나눈 결과는 [[3. 3. 3.]입니다. ]
import tensorflow as tf
a = tf.fill([1, 2], 3.)
print("a:", a)
print("a的平方:", tf.pow(a, 3))
print("a的平方:", tf.square(a))
print("a的开方:", tf.sqrt(a))
square ()는 텐서를 제곱하고, pow ()는 텐서를 제곱하고, sqrt ()는 텐서를 제곱합니다.
예를 들어, 하나의 행과 두 개의 열이있는 2 차원 텐서 a를 구성하려면 채우기 값은 3
의 3 승입니다. 이는 2 차원 텐서 [[27. 27.]]
제곱 a입니다. 2 차원 텐서 [[9. 9.]]
a의 제곱근은 2 차원 텐서입니다. [[1.7320508 1.7320508]]
tf.matmul () 함수를 사용하여 행렬 1과 행렬 2를 곱합니다.
import tensorflow as tf
a = tf.ones([3, 2])
b = tf.fill([2, 3], 3.)
print("a:", a)
print("b:", b)
print("a*b:", tf.matmul(a, b))
예를 들어, 3 개의 행과 2 개의 열이있는 행렬 a와 2 개의 행과 3 개의 열이있는 행렬 b, 3 개의 행과 3 개의 열이있는 행렬 b에 대해 행렬 곱셈을 수행
하면 결과는 6 개의 행과 3 개의 열이 있는 행렬
[[ 6. 6. 6.]
[6. 6. 6.]
[6. 6. 6.]]
신경망이 훈련되면 입력 특성과 레이블이 쌍을 이루고 네트워크에 공급됩니다. TensorFlow는 특성과 레이블을 쌍으로 만드는 함수를 제공합니다. from_tensor_slices ()
from_tensor_slices ()이 함수는 numpy 형식과 텐서 형식 모두에 적용 할 수 있습니다.
import tensorflow as tf
features = tf.constant([12, 23, 10, 17])
labels = tf.constant([0, 1, 1, 0])
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
print(dataset)
for element in dataset:
print(element)
우리가 수집 한 기능은 12 23 10 17이고 각 기능에 해당하는 레이블은 0 1 1 0입니다. tf.data.Dataset.from_tensor_slices ((features, labels))를 사용하여 기능과 레이블을 페어링
하여 실행중인 것을 확인할 수 있습니다. 프로그램의 결과 :
입력 기능 12는 레이블 0에 해당합니다. 여기서 쌍 12와 0에
해당 합니다. 입력 기능 23은 레이블 1에 해당합니다. 여기서, 쌍 23과 1에
해당합니다 . 입력 기능 10은 레이블 1에 해당합니다. 여기에서 쌍 10과 1과
입력 기능 17은 레이블 0에 해당합니다. 여기서 17과 0은 쌍을 이룹니다.