TensorFlow - Temeller

Bu bölümde, TensorFlow'un temellerini öğreneceğiz. Tensörün veri yapısını anlayarak başlayacağız.

Tensör Veri Yapısı

Tensörler, TensorFlow dilinde temel veri yapıları olarak kullanılır. Tensörler, Veri Akış Grafiği adı verilen herhangi bir akış diyagramındaki bağlantı kenarlarını temsil eder. Tensörler, çok boyutlu dizi veya liste olarak tanımlanır.

Tensörler aşağıdaki üç parametre ile tanımlanır -

Sıra

Tensör içinde tanımlanan boyutluluk birimine rank denir. Tensörün boyutlarının sayısını tanımlar. Bir tensörün derecesi, tanımlanan bir tensörün sırası veya n-boyutları olarak tanımlanabilir.

Şekil

Sıra ve sütun sayısı birlikte Tensor'un şeklini tanımlar.

Tür

Tür, Tensor öğelerine atanan veri türünü açıklar.

Bir kullanıcının bir Tensör oluşturmak için aşağıdaki etkinlikleri dikkate alması gerekir -

  • N boyutlu bir dizi oluşturun
  • N boyutlu diziyi dönüştürün.

TensorFlow'un Çeşitli Boyutları

TensorFlow çeşitli boyutları içerir. Boyutlar aşağıda kısaca açıklanmıştır -

Tek boyutlu Tensör

Tek boyutlu tensör, aynı veri türünden bir dizi değer içeren normal bir dizi yapısıdır.

Declaration

>>> import numpy as np
>>> tensor_1d = np.array([1.3, 1, 4.0, 23.99])
>>> print tensor_1d

Çıktıyla uygulama aşağıdaki ekran görüntüsünde gösterilmektedir -

Elemanların indekslenmesi Python listeleri ile aynıdır. İlk eleman 0 endeksi ile başlar; Değerleri indeks yoluyla yazdırmak için tek yapmanız gereken indeks numarasını belirtmektir.

>>> print tensor_1d[0]
1.3
>>> print tensor_1d[2]
4.0

İki boyutlu Tensörler

Diziler dizisi “iki boyutlu tensörler” oluşturmak için kullanılır.

İki boyutlu tensörlerin oluşturulması aşağıda açıklanmıştır -

İki boyutlu diziler oluşturmak için tam sözdizimi aşağıdadır -

>>> import numpy as np
>>> tensor_2d = np.array([(1,2,3,4),(4,5,6,7),(8,9,10,11),(12,13,14,15)])
>>> print(tensor_2d)
[[ 1 2 3 4]
[ 4 5 6 7]
[ 8 9 10 11]
[12 13 14 15]]
>>>

İki boyutlu tensörlerin belirli elemanları, dizin numarası olarak belirtilen satır numarası ve sütun numarası yardımıyla izlenebilir.

>>> tensor_2d[3][2]
14

Tensör Taşıma ve Manipülasyonlar

Bu bölümde, Tensör Kullanımı ve Manipülasyonları hakkında bilgi edineceğiz.

Başlamak için aşağıdaki kodu ele alalım -

import tensorflow as tf
import numpy as np

matrix1 = np.array([(2,2,2),(2,2,2),(2,2,2)],dtype = 'int32')
matrix2 = np.array([(1,1,1),(1,1,1),(1,1,1)],dtype = 'int32')

print (matrix1)
print (matrix2)

matrix1 = tf.constant(matrix1)
matrix2 = tf.constant(matrix2)
matrix_product = tf.matmul(matrix1, matrix2)
matrix_sum = tf.add(matrix1,matrix2)
matrix_3 = np.array([(2,7,2),(1,4,2),(9,0,2)],dtype = 'float32')
print (matrix_3)

matrix_det = tf.matrix_determinant(matrix_3)
with tf.Session() as sess:
   result1 = sess.run(matrix_product)
   result2 = sess.run(matrix_sum)
   result3 = sess.run(matrix_det)

print (result1)
print (result2)
print (result3)

Output

Yukarıdaki kod aşağıdaki çıktıyı üretecektir -

Açıklama

Yukarıdaki kaynak kodda çok boyutlu diziler oluşturduk. Şimdi, Tensörleri yöneten ve uygun çıktıyı üreten grafikler ve oturumlar oluşturduğumuzu anlamak önemlidir. Grafik yardımıyla, Tensörler arasındaki matematiksel hesaplamaları belirleyen çıktıya sahibiz.