Tensorflow tensor 数学运算和逻辑运算方式-6ren

Tensorflow tensor 数学运算和逻辑运算方式

转载作者：qq735679552 更新时间：2022-09-29 22:32:09

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Tensorflow tensor 数学运算和逻辑运算方式由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

1、arthmetic 算术操作（+，-，*，/，Mod）。

（1）tensor-tensor操作(element-wise) 。

 
    ? 
   
 
     
       
       
         #两个tensor 运算 
        
 
         #运算规则：element-wise。即c[i,j,..,k]=a[i,j,..,k] op b[i,j,..,k] 
        
 
         ts1 
         = 
         tf.constant( 
         1.0 
         ,shape 
         = 
         [ 
         2 
         , 
         2 
         ]) 
        
 
         ts2 
         = 
         tf.Variable(tf.random_normal([ 
         2 
         , 
         2 
         ])) 
        
 
         sess.run(tf.global_variables_initializer()) 
        
 
         #以ts1和ts2为例： 
        
 
           
        
 
         #（1）加法+ 
        
 
         ts_add1 
         = 
         tf.add(ts1,ts2,name 
         = 
         None 
         ) 
        
 
         ts_add2 
         = 
         ts1 
         + 
         ts2     
         #二者等价 
        
 
         #（2）减法- 
        
 
         ts_sub1 
         = 
         tf.subtract(ts1,ts2,name 
         = 
         None 
         ) 
        
 
         ts_sub2 
         = 
         ts1 
         - 
         ts2     
         #二者等价 
        
 
         #（3）乘法* 
        
 
         ts_mul1 
         = 
         tf.multiply(ts1,ts2,name 
         = 
         None 
         ) 
        
 
         ts_mul2 
         = 
         ts1 
         * 
         ts2 
        
 
         #（4）除法/ 
        
 
         ts_div1 
         = 
         tf.divide(ts1,ts2,name 
         = 
         None 
         ) 
        
 
         ts_div2 
         = 
         tf.div(ts1,ts2,name 
         = 
         None 
         )   
         #div 支持 broadcasting(即shape可不同) 
        
 
         ts_div3 
         = 
         ts1 
         / 
         ts2 
        
 
         #另外还有truediv(x,y) x,y类型必须一致,floor_div等。 
        
 
         #（5）取模Mod(估计基本用不到) 
        
 
     
 
   

（2）tensor-scalar操作。

 
    ? 
   
         #scalar-tensor操作。 
        
         #对tensor中所有element执行同样的操作(+，-，*，/) 
        
         #加法 
        
         ts_add 
         = 
         ts1 
         + 
         2 
        
         #减法 
        
         ts_sub 
         = 
         ts1 
         - 
         2 
        
         #乘法 
        
         ts_mul 
         = 
         ts1 
         * 
         2 
        
         #除法 
        
         ts_div 
         = 
         ts1 
         / 
         2

2、基本数学函数。

 
    ? 
   
 
     
       
       
         #以下x,y均代表tensor 
        
 
           
        
 
         tf.add_n(inputs, name 
         = 
         None 
         )  
         #inputs:tensor数组，所有tensor相加 
        
 
         tf. 
         abs 
         (x, name 
         = 
         None 
         )      
         #绝对值 
        
 
         tf.negative(x, name 
         = 
         None 
         )   
         #取反 
        
 
         tf.sign(x, name 
         = 
         None 
         )     
         #取符号(y = sign(x) = -1 if x < 0; 0 if x == 0; 1 if x > 0.) 
        
 
         tf.square(x, name 
         = 
         None 
         )    
         #y=x*x 
        
 
         tf. 
         round 
         (x, name 
         = 
         None 
         )     
         #Rounds the values of a tensor to the nearest integer, element-wise. 
        
 
         tf.sqrt(x, name 
         = 
         None 
         )     
         #sqrt  
        
 
         tf. 
         pow 
         (x, y, name 
         = 
         None 
         )    
         #x,y均为tensor，element-wise求pow 
        
 
         tf.exp(x, name 
         = 
         None 
         )      
         #y=e^x 
        
 
         tf.log(x, name 
         = 
         None 
         )      
         #y=log(x)  
        
 
         tf.ceil(x, name 
         = 
         None 
         )     
         #ceil 
        
 
         tf.floor(x, name 
         = 
         None 
         )     
         #floor 
        
 
         tf.maximum(x, y, name 
         = 
         None 
         )  
         #z=max(x,y) 
        
 
         tf.minimum(x, y, name 
         = 
         None 
         ) 
        
 
         tf.cos(x, name 
         = 
         None 
         )      
         #三角函数,sin,cos,tan,acos,asin,atan 
        
 
         tf.sin(x, name 
         = 
         None 
         )  
        
 
         tf.tan(x, name 
         = 
         None 
         ) 
        
 
         tf.acos(x, name 
         = 
         None 
         ) 
        
 
         tf.asin(x, name 
         = 
         None 
         ) 
        
 
         tf.atan(x, name 
         = 
         None 
         ) 
        
 
         #... 
        
 
         #等等一些函数。 
        
 
     
 
   

3、Matrix矩阵操作。

 
    ? 
   
 
     
       
       
         tf.diag(diagonal, name 
         = 
         None 
         )      
         #得到以diagonal为对角的tensor 
        
 
         tf.diag_part( 
         input 
         , name 
         = 
         None 
         )     
         #tf.diag 逆操作,得到input的对角矩阵  
        
 
         tf.transpose(a, perm 
         = 
         None 
         ,name 
         = 
         None 
         )  
         #转置矩阵,y[i,j]=x[j,i] 
        
 
         #矩阵乘法 
        
 
         tf.matmul(a, b,  
        
 
           
         transpose_a 
         = 
         False 
         , transpose_b 
         = 
         False 
         ,  
         # 
        
 
           
         adjoint_a 
         = 
         False 
         , adjoint_b 
         = 
         False 
         ,    
         #共轭 
        
 
           
         a_is_sparse 
         = 
         False 
         , b_is_sparse 
         = 
         False 
         ,  
         #矩阵是否稀疏 
        
 
           
         name 
         = 
         None 
         ) 
        
 
     
 
   

4、Reduction 归约操作。

 
    ? 
   
         #（1）tf.reduce_sum  
        
         #当keep_dims=False。rank of tensor会降维度。 
        
         tf.reduce_sum(input_tensor,  
        
         axis 
         = 
         None 
         ,         
         #要归约的dimention。值为None或一个数字或者数组。如0,1,[0,3,4] 
        
         keep_dims 
         = 
         False 
         ,      
         #if true, retains reduced dimensions with length 1. 
        
         name 
         = 
         None 
         ,  
        
         reduction_indices 
         = 
         None 
         ) 
        
         #（2）tf.reduce_min / tf.reduce_max / tf.reduce_mean 
        
         #参数与tf.reduce_sum一致。 
        
         #tf.reduce_min : 被归约的数取最小值； 
        
         #tf.reduce_max : 被归约的数取最大值； 
        
         #tf.reduce_mean: 被归约的数取平均值。 
        
         #（3）逻辑操作 
        
         # tf.reduce_all：logical and operation 
        
         # tf.reduce_any: logical or operation 
        
         #（4）自定义操作函数 
        
         tf.einsum(equation,  
         * 
         inputs) 
        
         #例子： 
        
         tf.einsum( 
         'ij,jk->ik' 
         , ts1,ts2)  
         #矩阵乘法 
        
         tf.einsum( 
         'ij->ji' 
         ,ts1)      
         #矩阵转置

5、tensor大小比较。

 
    ? 
   
         #(1)相等equal (element-wise) 
        
         tf.equal(x, y, name 
         = 
         None 
         )  
         #Returns the truth value of (x == y) element-wise. 
        
         #(2)不等not_equal  
        
         tf.not_equal(x, y, name 
         = 
         None 
         ) 
        
         #(3)其他比较 
        
         tf.less(x, y, name 
         = 
         None 
         ) 
        
         tf.less_equal(x, y, name 
         = 
         None 
         ) 
        
         tf.greater(x, y, name 
         = 
         None 
         ) 
        
         tf.greater_equal(x, y, name 
         = 
         None 
         )

6、恒等映射。

#恒等映射。

tf.identity(input, name=None) #Return a tensor with the same shape and contents as the input tensor or value. 。

7、类型转化。

 
    ? 
   
         tf.cast(x, dtype, name 
         = 
         None 
         ) 
        
         #Casts a tensor to a new type. 
        
         #For example: 
        
         # tensor `a` is [1.8, 2.2], dtype=tf.float 
        
         #tf.cast(a, tf.int32) ==> [1, 2] dtype=tf.int32

8、例子。

（1）RELU实现。

 
    ? 
   
         import 
         tensorflow as tf 
        
         def 
         relu(x):     
         #要构造一个和x shape一样的Tensor。源码中应该不会用效率这么低的写法。 
        
         y 
         = 
         tf.constant( 
         0.0 
         ,shape 
         = 
         x.get_shape()) 
        
         return 
         tf.where(tf.greater(x,y),x,y) 
        
         sess 
         = 
         tf.Session() 
        
         x 
         = 
         tf.Variable(tf.random_normal(shape 
         = 
         [ 
         10 
         ],stddev 
         = 
         10 
         )) 
        
         sess.run(tf.global_variables_initializer()) 
        
         x_relu 
         = 
         relu(x) 
        
         data_x,data_x_relu 
         = 
         sess.run((x,x_relu)) 
        
         for 
         i  
         in 
         range 
         ( 
         0 
         , 
         len 
         (data_x)):  
        
         print 
         ( 
         "%.5f --relu--> %.5f" 
         % 
         (data_x[i],data_x_relu[i]))

补充知识：tensorflow 复合逻辑‘且'和‘或'的实现。

我就废话不多说了，大家还是直接看代码吧~ 。

 
    ? 
   
         import 
         tensorflow as tf 
        
         n1  
         = 
         tf.constant( 
         2 
         ) 
        
         n2  
         = 
         tf.constant( 
         3 
         ) 
        
         n3  
         = 
         tf.constant( 
         4 
         ) 
        
         n4  
         = 
         tf.constant( 
         5 
         ) 
        
         def 
         true_fn1(): 
        
         return 
         tf.constant( 
         11 
         ) 
        
         def 
         false_fn1(): 
        
         return 
         tf.constant( 
         22 
         ) 
        
         def 
         true_fn(): 
        
         return 
         tf.cond(n3<n4,true_fn1,false_fn1) 
        
         def 
         false_fn(): 
        
         return 
         tf.constant( 
         33 
         ) 
        
         r  
         = 
         tf.cond(n1<n2,true_fn,false_fn) 
        
         sess  
         = 
         tf.Session() 
        
         print 
         (sess.run(r))

print结果11 。

相当于实现了if n1<n2 and n3<n4

后来发现，用 & 和 | 就行了。

 
    ? 
   
         import 
         tensorflow as tf 
        
         n1  
         = 
         tf.constant( 
         True 
         ,tf. 
         bool 
         ) 
        
         n2  
         = 
         tf.constant( 
         False 
         ,tf. 
         bool 
         ) 
        
         r1  
         = 
         n1 | n2 
        
         r2  
         = 
         n1 & n2 
        
         sess  
         = 
         tf.Session() 
        
         print 
         (sess.run(r1)) 
        
         print 
         (sess.run(r2))

 
    ? 
   
         import 
         tensorflow as tf 
        
         n1  
         = 
         tf.constant( 
         1 
         )>tf.constant( 
         0 
         ) 
        
         n2  
         = 
         tf.constant( 
         1 
         )<tf.constant( 
         0 
         ) 
        
         r1  
         = 
         n1 | n2 
        
         r2  
         = 
         n1 & n2 
        
         sess  
         = 
         tf.Session() 
        
         print 
         (sess.run(r1)) 
        
         print 
         (sess.run(r2))

以上这篇Tensorflow tensor 数学运算和逻辑运算方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我.

原文链接：https://blog.csdn.net/vcvycy/article/details/78489378 。

最后此篇关于Tensorflow tensor 数学运算和逻辑运算方式的文章就讲到这里了,如果你想了解更多关于Tensorflow tensor 数学运算和逻辑运算方式的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！。

文章推荐： PHP实现bitmap位图排序与求交集的方法

文章推荐： php判断手机浏览还是web浏览,并执行相应的动作简单实例

r - 错误: package or namespace load failed for ‘raster’ in inDL(x, as.逻辑(本地)，as.逻辑(现在)，...):
当我尝试加载库 Raster 时，我收到如下错误: 错误:inDL(x, as.logic(local), as.logic(now), ...) 中的“raster”的包或命名空间加载失败:无法加载
r - 错误: package or namespace load failed for ‘raster’ in inDL(x, as.逻辑(本地)，as.逻辑(现在)，...):
当我尝试加载库 Raster 时，我收到如下错误: 错误:inDL(x, as.logic(local), as.logic(now), ...) 中的“raster”的包或命名空间加载失败:无法加载
PowerShell 逻辑
望着help section about_Comparison_Operators of PowerShell我是这样理解的: PS C:\> $false,$false -eq $true PS C
JavaScript 逻辑
我刚刚修改了旧代码，现在似乎没有任何效果。请您指导我哪里出错了。一些不起作用的事情是: 以前，焦点始终停留在屏幕上唯一的输入字段上。 (现在不行了)，代码中的 if else 条件也不起作用。 On
Javascript持久化>逻辑
请帮我找到一个使用普通 'ol javascript 的解决方案(我无法使用外部框架)。此外，CSS :hover 选择器不适用于现实世界的实现。注册事件发生的事情设置所有调用最后注册事件数组项。
平衡负载和确定总线路线的算法/逻辑
我想创建一个软件来为残障 child 交通规划公交路线(及其最佳载客量)。这些总线具有以下规范: m 个座位(最多 7 个 - 因为有司机和助理) o 轮椅“座位”(最多 4 个) 固定的最大负载量
excel - VBA日期+逻辑
有人能帮我吗？似乎我的 for 逻辑根本不起作用，因为它一直在上午 12:00 返回我的开始时间这是我的代码 Sub forlogic() Dim i As Single Dim t
powerbi - 如何为来自同一数据集的属性在两个切片器之间设置 OR 逻辑？
我正在尝试设置 OR两个切片器过滤器之间的逻辑。两个切片器来自相同的数据集。以下是更多详细信息: 我的源表: 带切片器的视觉效果: 我的目标是，如果我从切片器 1 和切片器 2 中选择任何值，我的视觉
C位 bool 逻辑
我有以下 C 语句: int res = x & (x ^ y); 有没有办法做同样的事情，但每次只使用一次x和y？例如: x | (~x & y) == x | y 最佳答案是的，通过扩展 xo
Azure 逻辑 - 错误网关
我正在创建 Azure 逻辑应用程序以将新的 Sharepoint 文件添加到 Azure Blob。 Sharepoint 由我的公司运行，我使用我的凭据登录来为逻辑应用程序创建 Sharepoin
boolean 逻辑 - 简化产品的总和
我有一个问题要求为给定函数合成最简单的乘积表达式总和。基本上，如果 AB == CD，则函数为 1，否则为 0，结果如下: (!A && !B && !C && !D) || (!A && B &&
c - 逻辑 NOT (!) 运算符不适用于按位语句
我正在尝试确定是否可以在不溢出的情况下计算两个 32 位整数的总和，同时仅使用某些按位运算符和其他运算符。因此，如果整数 x 和 y 可以相加而不会溢出，则以下代码应返回 1，否则返回 0。 ((((
refactoring - 如何简化复杂的业务 "IF"逻辑？
处理乍一看需要许多嵌套 if 语句的复杂业务逻辑的好方法是什么？例子: 折扣券。可能: 1a) 超值折扣 1b) 百分比折扣 2a) 正常折扣 2b) 累进折扣 3a) 需要访问优惠券 3b) 不需
iphone - 逻辑 - 需要找到重叠的数字范围
假设我有一个“numbers”对象数组，其中包含“startNo”整数和“endNo”整数。数组中可以有多个“数字”，我想获取一个包含修改对象的新数组，该数组仅具有不重叠的范围。例如:如果数组有:
javascript - 从数组中查找事件索引(逻辑)
我在这个问题上遇到了困难。我正在使用 JavaScript。我有一个文本区域，用于检测 @ 输入并将其位置存储在数组中。 var input = "@a @b @c" //textarea var
SQL IN 子句中包含 AND 逻辑
默认 IN 使用 OR 基本逻辑。有没有办法在范围内使用 AND 基本逻辑。例如下面的查询 SELECT ItemId,CategoryID FROM ItemCategories WHERE Ca
JavaScript 逻辑/行为错误
我想在您将鼠标悬停在网站图像上时添加叠加层。我在这里实现了这个，它工作正常http://jsfiddle.net/stujLbjh/ 这是js代码: var divs = document.query
c++ - 逻辑/算术移位越少位越快吗？
这个问题在这里已经有了答案: Which is faster: x>2 是否比 x>>31 快？换句话说，sar x, 2 是否比 sar x, 31 快？我做了一些简单的测试，他们似乎有相同的速度
grails - Grails条件查询检查 `OR`逻辑
我有grails criteriaQuery，我在这里再次检查OR逻辑，就像这样一个状态变量: or { eq("status", Status.ONE) eq("status",
grails - Grails条件查询检查 `OR`逻辑
我有grails criteriaQuery，我在这里再次检查OR逻辑，就像这样一个状态变量: or { eq("status", Status.ONE) eq("status",

qq735679552

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

Tensorflow tensor 数学运算和逻辑运算方式