[PYTHON] Glossaire Tensorflow

La fonction tensorflow est difficile à comprendre même si elle est expliquée, je ne l'expliquerai donc qu'avec un exemple d'utilisation. tf.Variable()

import tensorflow as tf
x = tf.Variable(10 , name="x")
y = x * 5
print(y)

production Tensor("mul_1:0", shape=(), dtype=int32)

En regardant le code ci-dessus, la sortie ressemble à 50, mais le tenseur est sorti. Alors, comment obtenez-vous alors 50 sorties?

x = tf.Variable(10 , name="x")
y = x * 5
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
sess.run(y)

Sortie 50 Dans tensorflow, vous devez créer et exécuter un graphe de calcul via tf.session. tf.global_variables_initializer () est responsable de l'initialisation des variables dans les graphes de calcul

tf.placeholder() tf.placeholder(dtype, shape=None, name=None)

dtype: affecte le type à attribuer à la variable. shape: forme de la variable à affecter name: Le nom de la variable

Valeur de retour Tenseur de variables alimentées qui ne sont pas directement évaluées

Exemple de programme

x = tf.placeholder(tf.int32)
y = tf.constant(1)
z = x + y
with tf.Session() as sess:
  print(sess.run(z, feed_dict={x: 2}))

production 3 Définir x = 2 à l'exécution Passez ensuite le tableau à tf.placeholder.

x = tf.placeholder(tf.int32, shape=[2])
y = tf.placeholder(tf.int32, shape=[2])
z = x*y
with tf.Session() as sess:
  print(sess.run(z, feed_dict={x: [2, 1], y: [1, 2]}))

production [2 2]

tf.placeholder_with_default En utilisant tf.placeholder_with_default, vous pouvez définir la valeur initiale et la modifier au moment de l'exécution.

x = tf.placeholder_with_default(1, shape=[])
y = tf.constant(1)
with tf.Session() as sess:
  print(sess.run(x + y))

production 0

x = tf.placeholder_with_default(1, shape=[])
y = tf.constant(1)
with tf.Session() as sess:
  print(sess.run(x + y, feed_dict={x: -1}))

production 2

tf.shape tf.shape est utilisé pour les formes qui peuvent être modifiées dynamiquement.

x = tf.placeholder(tf.int32, shape=[None, 3])
size = tf.shape(x)[0]
sess = tf.Session()
sess.run(size, feed_dict={x: [[1, 2, 3], [1, 2, 3]]})

production 2

.get_shape Utilisez .get_shape pour les formes qui ne changent pas.

x = tf.constant(1, shape=[2, 3, 4])
x.get_shape()[1]

production Dimension(3)

Les références Une introduction à l'apprentissage profond avec Tensorflow