4) Основы TensorFlow

<dtype: 'int32'>			

В некоторых случаях вы хотите изменить тип данных. В TensorFlow это возможно с помощью метода tf.cast.

пример

Ниже тензор с плавающей точкой конвертируется в целое число, используя метод приведения.

# Change type of data
type_float = tf.constant(3.123456789, tf.float32)
type_int = tf.cast(type_float, dtype=tf.int32)
print(type_float.dtype)
print(type_int.dtype)			

Вывод

<dtype: 'float32'>
<dtype: 'int32'>			

TensorFlow автоматически выбирает тип данных, если аргумент не указан при создании тензора. TensorFlow будет угадывать, какие типы данных наиболее вероятны. Например, если вы передадите текст, он угадает, что это строка, и преобразует его в строку.

Вы знаете, как создать тензор с TensorFlow. Настало время научиться выполнять математические операции.

TensorFlow содержит все основные операции. Вы можете начать с простого. Вы будете использовать метод TensorFlow для вычисления квадрата числа. Эта операция проста, потому что для построения тензора требуется только один аргумент.

Квадрат числа строится с помощью tf.sqrt (x) с x в качестве плавающего числа.

x = tf.constant([2.0], dtype = tf.float32)
print(tf.sqrt(x))			

Вывод

Tensor("Sqrt:0", shape=(1,), dtype=float32)			

Примечание . Выходные данные возвращали тензорный объект, а не результат квадрата 2. В этом примере вы печатаете определение тензора, а не фактическую оценку операции. В следующем разделе вы узнаете, как TensorFlow работает для выполнения операций.

Ниже приведен список часто используемых операций. Идея та же. Каждая операция требует одного или нескольких аргументов.

• tf.add (a, b)
• tf.substract (a, b)
• tf.multiply (a, b)
• tf.div (a, b)
• tf.pow (a, b)
• tf.exp (а)
• tf.sqrt (а)

пример

# Add
tensor_a = tf.constant([[1,2]], dtype = tf.int32)
tensor_b = tf.constant([[3, 4]], dtype = tf.int32)

tensor_add = tf.add(tensor_a, tensor_b)print(tensor_add)			

Вывод

Tensor("Add:0", shape=(1, 2), dtype=int32)			

Код Объяснение

Создайте два тензора:

• один тензор с 1 и 2
• один тензор с 3 и 4

Вы складываете оба тензора.

Обратите внимание : оба тензора должны иметь одинаковую форму. Вы можете выполнить умножение на два тензора.

# Multiply
tensor_multiply = tf.multiply(tensor_a, tensor_b)
print(tensor_multiply)			

Вывод

Tensor("Mul:0", shape=(1, 2), dtype=int32)			

Пока что вы создали только постоянные тензоры. Это не очень полезно. Данные всегда поступают с разными значениями, чтобы захватить это, вы можете использовать класс Variable. Он будет представлять узел, где значения всегда меняются.

Чтобы создать переменную, вы можете использовать метод tf.get_variable ()

tf.get_variable(name = "", values, dtype, initializer)
argument
- `name = ""`: Name of the variable
- `values`: Dimension of the tensor
- `dtype`: Type of data. Optional
- `initializer`: How to initialize the tensor. Optional
If initializer is specified, there is no need to include the `values` as the shape of `initializer` is used.			

Например, приведенный ниже код создает двумерную переменную с двумя случайными значениями. По умолчанию TensorFlow возвращает случайное значение. Вы называете переменную var

# Create a Variable
## Create 2 Randomized values
var = tf.get_variable("var", [1, 2])
print(var.shape)			

Вывод

(1, 2)			

Во втором примере вы создаете переменную с одной строкой и двумя столбцами. Вам нужно использовать [1,2], чтобы создать размерность переменной

Начальные значения этого тензора равны нулю. Например, когда вы тренируете модель, вам необходимо иметь начальные значения, чтобы вычислить вес элементов. Ниже вы устанавливаете эти начальные значения на ноль.

var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32,  initializer=tf.zeros_initializer)
print(var_init_1.shape)			

Вывод

(1, 2)			

Вы можете передать значения постоянного тензора в переменную. Вы создаете постоянный тензор с помощью метода tf.constant (). Вы используете этот тензор для инициализации переменной.

Первые значения переменной — 10, 20, 30 и 40. Новый тензор будет иметь форму 2×2.

# Create a 2x2 matrixtensor_const = tf.constant([[10, 20],
[30, 40]])
# Initialize the first value of the tensor equals to tensor_const
var_init_2 = tf.get_variable("var_init_2", dtype=tf.int32,  initializer=tensor_const)
print(var_init_2.shape)			

Вывод

(2, 2)			

Заполнитель имеет целью кормить тензор. Заполнитель используется для инициализации данных, передаваемых внутри тензоров. Чтобы предоставить заполнитель, вам нужно использовать метод feed_dict. Заполнитель будет подан только в течение сеанса.

В следующем примере вы увидите, как создать заполнитель с помощью метода tf.placeholder. На следующем занятии вы научитесь кормить заполнитель реальной стоимостью.

Синтаксис:

tf.placeholder(dtype,shape=None,name=None )
arguments:
- `dtype`: Type of data
- `shape`: dimension of the placeholder. Optional. By default, shape of the data
- `name`: Name of the placeholder. Optional			
data_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")
print(data_placeholder_a)			

Вывод

Tensor("data_placeholder_a:0", dtype=float32)			

TensorFlow работает вокруг 3 основных компонентов:

• график
• Тензор
• сессия

Графики и сессии независимы. Вы можете запустить сеанс и получить значения для последующего вычисления.

В приведенном ниже примере вы будете:

• Создать два тензора
• Создать операцию
• Открыть сессию
• Распечатать результат

Шаг 1) Вы создаете два тензора х и у

## Create, run  and evaluate a session
x = tf.constant([2])
y = tf.constant([4])			

Шаг 2) Вы создаете оператор, умножая x и y

## Create operator
multiply = tf.multiply(x, y)			

Шаг 3) Вы открываете сессию. Все вычисления будут происходить в течение сеанса. Когда вы закончите, вам нужно закрыть сеанс.

## Create a session to run the code
sess = tf.Session()result_1 = sess.run(multiply)
print(result_1)
sess.close()			

Вывод

[8]			

Объяснение кода

• tf.Session (): открыть сеанс. Все операции будут проходить в течение сессий
• Выполнить (умножить): выполнить операцию, созданную на шаге 2.
• print (result_1): наконец, вы можете распечатать результат
• close (): закрыть сеанс

Результат показывает 8, что является умножением x и y.

Другой способ создать сеанс внутри блока. Преимущество в том, что он автоматически закрывает сессию.

with tf.Session() as sess:    
result_2 = multiply.eval()
print(result_2) 			

Вывод

[8]			

В контексте сеанса вы можете использовать метод eval () для выполнения операции. Это эквивалентно run (). Это делает код более читабельным.

Вы можете создать сеанс и увидеть значения внутри созданных тензоров.

## Check the tensors created before
sess = tf.Session()
print(sess.run(r1))
print(sess.run(r2_matrix))
print(sess.run(r3_matrix))			

Вывод

1
[[1 2] 
 [3 4]]
[[[1 2]  
  [3 4]  
  [5 6]]]			

Переменные по умолчанию пусты, даже после создания тензора. Вам нужно инициализировать переменную, если вы хотите использовать переменную. Объект tf.global_variables_initializer () должен быть вызван для инициализации значений переменной. Этот объект будет явно инициализировать все переменные. Это полезно перед тренировкой модели.

Вы можете проверить значения переменных, которые вы создали ранее. Обратите внимание, что вам нужно использовать run для оценки тензора

sess.run(tf.global_variables_initializer())
print(sess.run(var))
print(sess.run(var_init_1))
print(sess.run(var_init_2))			

Вывод

[[-0.05356491  0.75867283]]
[[0 0]]
[[10 20] 
 [30 40]]			

Вы можете использовать заполнитель, который вы создали ранее, и указать его действительное значение. Вам необходимо передать данные в метод feed_dict.

Например, вы возьмете силу 2 от заполнителя data_placeholder_a.

import numpy as np
power_a = tf.pow(data_placeholder_a, 2)
with tf.Session() as sess:  
data = np.random.rand(1, 10)  
print(sess.run(power_a, feed_dict={data_placeholder_a: data}))  # Will succeed.			

Код Объяснение

• import numpy as np: импортировать библиотеку numpy для создания данных
• tf.pow (data_placeholder_a, 2): создание операций
• np.random.rand (1, 10): создать случайный массив данных
• feed_dict = {data_placeholder_a: data}: заполнить заполнитель данными

Вывод

[[0.05478134 0.27213147 0.8803037  0.0398424  0.21172127 0.01444725  0.02584014 0.3763949  0.66022706 0.7565559 ]]			

TensorFlow зависит от гениального подхода к визуализации операции. Все вычисления представлены схемой потока данных. График потока данных был разработан, чтобы увидеть зависимости данных между отдельными операциями. Математическая формула или алгоритм состоят из ряда последовательных операций. График — это удобный способ визуализировать координацию вычислений.

График показывает узел и ребро . Узел является представлением операции, то есть единицей вычисления. Край — это тензор, он может создать новый тензор или потреблять входные данные. Это зависит от зависимости между отдельными операциями.

Структура графа связывает воедино операции (то есть узлы) и то, как эти операции передаются. Обратите внимание, что график не отображает вывод операций, он только помогает визуализировать связь между отдельными операциями.

Давайте посмотрим на пример.

Представьте, что вы хотите оценить следующую функцию: