笔记 - tensorflow用法：二维张量与一维张量相加

tensor广播(boardcast)： 为了凑够元素个数，便于后续计算，这里将元素进行复制，达到某一个维度，称之为广播. 1.作用：两个张量相加 tf.math.add( x, y, name=None ) 输入： x是一个张量，其类型需得是：bfloat16, half, float32, float64, uint8, int8, int16, int32, int64, complex64, complex128, string. y同x一个类型。 输出： 一个张量。 2...

这个函数可以设定axis参数，以此来指定对某个维度进行求和，如果不设置，就会默认对所有元素进行求和运算。对张量每个元素求平方或平方根也是可以用**这种数学符号的，但是需要注意的是在计算自然对数与求平方根时，张量的类型需要是浮点型，使用整型会报错。由于TensorFlow中只有以e为底的自然对数，没有提供其它数值为底的对数运算函数，但是我们可以用数学运算中的换底公式来计算其它底数的对数。tf.matmul()，向量乘法，可以用@运算符代替。tf.multiply()张量乘法，可以用*运算符代替，

参看 TensorFlow创建常量(tf.constant)详解 创建TensorFlow常量(tf.constant)： 创建TensorFlow矩阵 tf.constant( value, dtype=None, shape=None, name='Const', verify_shape=False ) # 后面四个参数可写可不写，第二个参数表示数据类型，一般可以是tf.float32, tf.float64等 eg: tensor=tf.const

记录几个tensorflow函数用法tf.unique_with_counts(x,out_idx=tf.dtypes.int32,name=None) x表示一个一维张量，此函数用来统计x中不同元素的信息，可以统计标签信息import tensorflow as tf import numpy as np x = tf.placeholder(dtype=tf.int32,shape=(10,)...

某书中的一个例子： 对于某个线性层：Y = W@???? + ????

也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。也许你在NASA教程中看到它，仍然不知道它在说些什么？问题在于大多数讲述张量的指南，都假设你已经掌握他们描述数学的所有术语。 别担心！ 我像小孩子一样讨厌数学，所以如果我能明白，你也可以!...

张量运算 加减乘除四则运算 算术操作 描述 tf.add(x,y) 将x和y逐元素相加 tf.subtract(x,y) 将x和y逐元素相减 tf.multiply(x,y) 将x和y逐元素相乘 tf.divide(x,y) 将x和y逐元素相除 tf.math.mod(x,y) 将x逐元素求余 逐元素操作是指把x中的每一个元素与y中的每一个元素逐个地进行运算，但是实际上是可以用数学符号+-/*%去代替的。例： # 逐元素相加 a = tf.constant([1, 2,

初学tensorflow，大佬勿喷 在编写神经网络手写数字识别时，打印权重矩阵的维度 print(wih.shape) # 得到 (100,784) 这里我的理解是，100行，784列的矩阵，感觉没什么问题。 然后学习tensorflow张量的时候，编写了如下代码 a = tf.constant([1.0,2.0],name="a") b = tf.constant([2.0,3.0],name...

\quad 在tensorflow中所有数据都是以张量(tensor)这种数据结构的形式表示。初学tensorflow,对于张量维度的理解，做一些笔记。 \quad先举个栗子： import tensorflow as tf a = tf.constant([1.0, 2.0], name='a') b = tf.constant([2.0, 3.0], name='b') result = t...

本文介绍了TensorFlow的核心概念和使用方法。首先讲解了张量（Tensor）作为基本数据类型的特点，包括形状、秩、轴等关键属性，以及张量与NumPy数组的异同。然后详细说明了张量的不同维度表示（标量、向量、矩阵等）及其可视化方法。文章还介绍了TensorFlow中的变量（Variable）与常量（Constant）的区别及适用场景，特别强调了在机器学习中如何使用它们。最后讲解了张量的基本运算、类型转换以及索引方法。通过代码示例展示了如何创建和操作张量，为深度学习实践打下基础。

网上没找到，也不知道哪里有“张量加法”的源代码，就自己试了一下，大概有下面的规律。 如果有错误，希望大家指正！ 规律1：如果相加的两个张量维度不一致，那么首先把维度低的那个张量从右边和维度高的张量对齐 例如下面的代码，b的维度低一些，所以和a相加的时候b的维度就会先扩充为[1,1,5,6]。 a = torch.ones([8, 4, 5, 6]) print('a =',a.size()) b = torch.ones([5, 6]) print('b =',b.size()) c = a+b print

1.合并 多个tensor的合并主要包括2个函数：tf.concat和tf.stack，他们的输出参数都是list of tensor。区别是： tf.concat是沿某一维度拼接shape相同的张量，拼接生成的新张量维度不会增加。 tf.stack是在新的维度上拼接，拼接后维度加1。 import tensorflow as tf a = tf.constant([[1,2,3],[4,5,6]]) b = tf.constant([[7,8,9],[10,11,12]]) ab1 = tf.con

1）已知两个张量[1,3,5,7]和[2,4,4,8],编写一个模型，计算两个张量的加法，输出结果，并在tensorboard中显示 2）已知张量[1,2,3,4,5,6,7,8,9,10,11,12]有12个元素，利用tf.reshape()将其形状转换为[2,3,2]的三维张量

数据统计：求张量在某个维度上或者是全局上的统计值 函数 描述 tf.reduce_sum(input,axis) 求和 tf.reduce_mean(input,axis) 求平均值 tf.reduce_max(input,axis) 求最大值 tf.reduce_min(input,axis) 求最小值 <1> 求和函数——tf.reduce_sum() ...

TensorFlow基础1. 张量 1. 张量 TensorFlow中的Tensor表示张量，其实就是多维数组。 名称 区别 Python列表(list) 元素可使用不同的数据类型，可以嵌套运用；在内存中离散存放，是一个动态的指针数组，读写效率低，占用内存，且不适合做数值计算 NumPy数组(ndarray) 元素数据类型相同，在内存中连续存放，存储空间小，读写速度快 TensorFlow张量(Tensor) 高速运行于GPU和CPU上，支持CPU、嵌入式等多种计算环境，高速的实现神

第二期，第二期，开始，开始。 在tensorflow中有个很常用的张量扩展函数——tile()，看过了许多讲解博客之后，觉得有必要系统的进行一下整理。同时，我将讲解一维、二维、乃至多维张量使用tile()的运算过程与规则。 下面，我们还是以一段代码为例： import tensorflow as tf #下面两行是为了抛掉错误信息的提示，大家忽略即可 import os os.enviro...

运算：在TensorFlow中，可以对张量进行多种运算，包括算术运算、比较运算、逻辑运算、索引和切片、矩阵运算等。张量在数学上可以看作是多维数组，而在TensorFlow中，张量是用于执行计算的基本数据结构。参数包括 shape 和 minval（最小值，默认为0）和 maxval（最大值，默认为1）。参数包括 shape、mean（均值，默认为0）和 stddev（标准差，默认为1）。图像数据类型运算通常涉及像素级别的操作，例如改变图像的亮度、对比度、饱和度等。

张量可以被简单理解为多维数组。张量维数a = tf.constant([1,2,3]) #a为一维张量打印a的值和结构sess = tf.Session() print(sess.run(a)) print a #打印a的结构 结果[1 2 3] Tensor("Const:0", shape=(3,), dtype=int32)#a的结构 定义bb = tf.constant([[7,8,9]...