TensorFlow之张量思维训练

【Tensorflow中创建张量的方法合集】zeros,ones,fill,constant,truncated_nomal,random_nomal,Variable,placeholder等 文章目录固定值张量**tf.zeros(shape, dtype=tf.float32, name=None)****tf.zeros_like(tensor, dtype=None, name=None)****tf.ones(shape, dtype=tf.float32, name=None)****tf.ones_like(tensor, dtype=None, name=None)***... 阅读详情

1.构建基本数据流图

2.修改为张量描述图

import tensorflow as tf

a= tf.constants([5,3],name="imput_a")

b= tf.reduce_prod(a,,name="prod_b")

c= tf.reduce_sum(a,name="sum_c")

d= tf.add(c,d,name="add_d")

数学实例Python 例子
0纯量 (只有大小)s = 483
1向量(大小和方向)v = [1.1, 2.2, 3.3]
2矩阵(数据表)m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
33阶张量 (数据立体)t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
nn阶 (自己想想看)....

NumPy(Numerical Python的缩写)是一个开源的Python科学计算库。使用NumPy,就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数,涵盖线性代数运算、傅里叶变换和随机数生成等功能。

    NumPy数组在数值运算方面的效率优于Python提供的list容器。使用NumPy可以在代码中省去很多循环语句,因此其代码比等价的Python代码更为简洁。

1.reshape 不改变数据的条件下修改形状
2.flat 数组上的一维迭代器
3.flatten 返回折叠为一维的数组副本
4.ravel 返回连续的展开数组

 

创建ndarray

创建数组最简单的方法就是使用array函数。它接收一切序列型的对象(包括其他数组),然后产生一个新的含有传入数据的Numpy数组。

array函数创建数组

import numpy as np
ndarray1 = np.array([1, 2, 3, 4])
ndarray2 = np.array(list('abcdefg'))
ndarray3 = np.array([[11, 22, 33, 44], [10, 20, 30, 40]])

zeros和zeros_like创建数组

用于创建数组,数组元素默认值是0. 注意:zeros_linke函数只是根据传入的ndarray数组的shape来创建所有元素为0的数组,并不是拷贝源数组中的数据.

    ndarray4 = np.zeros(10)
    ndarray5 = np.zeros((3, 3))
    ndarray6 = np.zeros_like(ndarray5)  # 按照 ndarray5 的shape创建数组
    # 打印数组元素类型
    print("以下为数组类型:")
    print('ndarray4:', type(ndarray4))
    print('ndarray5:', type(ndarray5))
    print('ndarray6:', type(ndarray6))
    print("-------------")
    print("以下为数组元素类型:")
    print('ndarray4:', ndarray4.dtype)
    print('ndarray5:', ndarray5.dtype)
    print('ndarray6:', ndarray6.dtype)
    print("-------------")
    print("以下为数组形状:")
    print('ndarray4:', ndarray4.shape)
    print('ndarray5:', ndarray5.shape)
    print('ndarray6:', ndarray6.shape)

ones和ones_like创建数组

用于创建所有元素都为1的数组.ones_like用法同zeros_like用法

创建数组,元素默认值是0
ndarray7 = np.ones(10)
ndarray8 = np.ones((3, 3))
修改元素的值
ndarray8[0][1] = 999
ndarray9 = np.ones_like(ndarray5)  # 按照 ndarray5 的shape创建数组

empty和empty_like创建数组

用于创建空数组,空数据中的值并不为0,而是未初始化的随机值.

    ndarray10 = np.empty(5)
    ndarray11 = np.empty((2, 3))
    ndarray12 = np.empty_like(ndarray11)

arange创建数组

arange函数是python内置函数range函数的数组版本.

ndarray13 = np.arange(10)                  #产生0-9共10个元素
ndarray14 = np.arange(10, 20)              #产生从10-19共10个元素
ndarray15 = np.arange(10, 20, 2)           #产生10 12 14 16 18, 2为step 间隔为2
print('ndarray14的形状:', ndarray14.shape)  #ndarray15的长度
ndarray14.reshape((2, 5))                  #将其形状改变为(2, 5) 分2部分 每份5个

eys创建对角矩阵数组

该函数用于创建一个N*N的矩阵,对角线为1,其余为0.

ndarray16 = np.eye(5)
TensorFlow GPU计算图重构:从NumPy到万倍加速的工程实践 NumPy作为Python科学计算基石,其性能瓶颈本质源于CPU内存带宽与BLAS实现限制;而TensorFlow通过延迟执行、静态图编译与GPU运行时协同,将数组操作升维为可端到端优化的计算图。其核心原理在于数据流图调度、算子融合(如XLA)、显存零拷贝及混合精度计算,技术价值体现在大幅降低PCIe搬运开销、消除Python解释器GIL、提升CUDA warp利用率。典型应用场景包括大规模矩阵运算、图像批量预处理、稀疏迭代求解与实时向量检索。本文聚焦TensorFlow 2.x在A100等现代GPU上的落 阅读详情

相关推荐

告别维护的DeepLearnToolbox:Matlab用户转向Python深度学习生态的迁移指南

本文为依赖已停止维护的DeepLearnToolbox的Matlab用户,提供了转向Python深度学习生态的详细迁移指南。文章对比了PyTorch与TensorFlow的核心差异,并通过实战代码示例,帮助用户完成从矩阵思维到张量计算、从旧有案例到现代框架的平滑过渡,拥抱更活跃、功能更强大的Python深度学习社区。

weixin_29095049的博客 100

张量(一):张量基础

从今天开始,笔者将会持续更新关于张量的相关知识和最新研究成果。我们这里所说的张量知识主要是关于张量低秩分解,张量补全等算法和应用。在如今神经网络大火的年代,张量补全等算法无疑为预测、去噪等问题提供了新的解决方法和思路。接下来,且听我娓娓道来。 友情提醒:默认读者拥有线性代数的基础。 一、何为张量? 在本科阶段,我们接触到最多的数据结构就是矩阵与向量。一维的向量与二维的矩阵分别能表示数据的一种与两种信息。然而,现实世界里大多数数据都具有多重属性,例如一个人就有姓名、年龄、性别、民族等多种信息,因此单纯的

wwb44444的博客 9790

Python-在Tensorflow中实现GoogleBrain的BEGAN

在Tensorflow中实现Google Brain的BEGAN

深度学习—实验二 练习张量

在深度学习框架中,数据经常用张量(Tensor)的形式来存储。张量是矩阵的扩展与延伸,可以认为是高阶的矩阵。1阶张量为向量,2阶张量为矩阵。如果你对Numpy熟悉,那么张量是类似于Numpy的多维数组(ndarray)的概念,可以具有任意多的维度。张量的大小可以用形状(shape)来描述。比如一个三维张量的形状是 [2,2,5][2,2,5],表示每一维(也称为轴(axis))的元素的数量,即第0轴上元素数量是2,第1轴上元素数量是2,第2轴上的元素数量为5。图1.5给出了3种纬度的张量可视化表示。

m0_62581697的博客 524

Python-L1TensorStudio基于TensorFlowjs的张量计算训练场

L1: Tensor Studio — 基于TensorFlow.js的张量计算训练场

FPGA:UART串口接收(高干扰情况)

在上一篇文章中介绍过UART串口接收模块,其中一个需要优化的方向就是在高干扰情况下,如何实现可靠的UART串口接收任务。

weixin_50164178的博客 1674

【Tensorflow】tensorflow张量操作

在深度学习中,我们通常是对张量进行操作,矩阵可以看成是二阶张量,而一张RGB图片,可以看成是三阶张量(长、宽、颜色)。 Tensorflow中的数据都以张量(tensor)的形式流动,本篇博客中记录一下最近用到的一些在tensorflow中的张量操作,会持续更新。 1. 创建值为0的张量 shape_1 = 1 shape_2 = shape_3 = 600 shape_4 = 3 ...

huang_nansen的博客 521

实测338MB/s!FPGA与CYUSB3014的Slave FIFO模式实战避坑(附完整固件与源码)

本文详细介绍了FPGA与CYUSB3014在Slave FIFO模式下实现338MB/s高速数据传输的实战经验。通过优化硬件设计、固件配置和GPIF II接口设置,解决了USB3.0双向通信中的关键性能瓶颈,并提供了完整的固件与源码参考。

weixin_30570101的博客 458

张量(二):张量分解(tensor decomposition)

与矩阵分解一样,我们希望通过张量分解去提取原数据中所隐藏的信息或主要成分。当前主流的张量分解方法有CP分解,Tucker分解,t-SVD分解等,更新的方法大多是在他们的基础上做进一步的改进或引用。因此,张量分解也是张量算法的基础。下面分别做介绍。 一、CP分解 CP分解是将任意高阶张量分解成多个秩为1的“因子张量”之和。如下图,每个因子张量的单个维度上秩都为1。若一个三维张量的数据为,则其CP分解表达式为,其中R为张量秩的大小,向量之间的乘积是外积的形式。虽然CP分解的表达式很简洁,但对其秩的求解却是一

wwb44444的博客 2万+

VSCode初级使用教程详细版

Visual Studio Code(简称VSCode)是一款轻量级但功能强大的代码编辑器,支持多种编程语言,具有丰富的扩展插件,并内置了Git版本控制。VSCode工具满足绝大多数工作场景,使用场景包括不限于大学生作业代码编写、读研期间实验脚本编写、工作中项目代码编写与协作、数学建模竞赛中代码编写等。本文将从VSCode的安装开始,逐步介绍其基本使用方法和一些高级功能,帮助读者快速上手。

qq_37360300的博客 5万+

【笔记软件obsidian】从入门到精通

目录 一、前言 二、下载及安装 三、【选修】ios用户如何通过iCloud进行三平台同步 四、基本Markdown语法 五、【选修】插件的下载及安装方式 六、

patrick的博客 9万+

Web开发者转AI:用前端思维快速入门TensorFlow与深度学习框架

深度学习框架往往给人门槛高、术语多的印象,但理解其核心概念后会发现,张量只是更严格的多维数组,计算图则像是预先编排的执行流水线,自动微分更是把求导过程封装成了底层能力。对于有Web开发经验的工程师而言,前后端分离、接口对接与异步任务的思维方式,恰好能映射到模型定义与训练执行的分工中。TensorFlow作为主流的深度学习框架,提供了Keras高层API,让模型搭建像写配置清单一样直观,配合官方文档,开发者可以快速跑通数据加载、模型训练与评估的完整链路。无论是MNIST手写数字识别,还是后续的模型部署与推理服

weixin_29058331的博客 189

hMailServer安装配置

hMailServer安装配置 使用宝塔面板上的宝塔邮件服务器2.1版本,进行安装hMailServer。 宝塔在安装hMailServer是有做了一些配置,如果是手工安装需要注意一下配置点: 1、\hMailServer\Bin 目录下增加mysql连接文件libmysql.dll,要去下载32位的。 libmysql.dll下载 链接:https://pan.baidu.com/s/1YGJXzjowlJ9n_MiqB4xiqw 提取码:wz90 2、 需要提前安装mysql,并创建hM.

王者的博客 5872

TensorFlow深度学习实战:从计算图原理到生产部署的完整指南

深度学习框架的核心在于计算图与自动微分机制,通过张量流动实现高效数值计算。TensorFlow作为主流工具链,将模型训练、设备管理与数据管道整合为端到端方案,其技术价值体现在从实验代码到生产部署的完整路径。在图像分类、序列建模等场景中,开发者需掌握变量更新、梯度计算与显存优化等工程实践。理解计算图抽象与分层API设计,能帮助避开常见陷阱,提升模型训练效率与推理性能。

weixin_29053073的博客 187

Python爬虫:实时交通流量数据爬取与路况分析

随着城市化进程的不断推进,交通流量的管理与预测已成为智能交通系统的重要研究方向。交通流量数据不仅为城市交通管理提供了科学依据,还为驾驶员提供了实时路况信息,帮助其做出更加合理的出行决策。通过爬虫技术,我们可以实时获取城市的交通流量数据,从而分析路况,优化交通管理。在这篇博客中,我们将介绍如何使用Python编写一个爬虫来爬取实时交通流量数据,分析道路的交通状况。我们将使用最新的技术工具来构建爬虫,包括。

2201_76125261的博客 1268

R语言机器学习算法实战系列(十五)随机森林生存预后模型+SHAP值 (Random Survival Forest + SHAP)

本教程运用随机森林生存分析筛选与患者生存状态显著相关特征。该方法借随机森林这一强大机器学习算法,构建多棵决策树并集成结果,以提高生存分析准确性,识别关键生物标志物。接着,利用选定特征构建风险得分,将多个特征转化为单一数值,量化患者风险水平。之后,依据风险得分将患者分为高、低风险亚型,为临床治疗提供个性化指导。最后,通过分析时间依赖的 ROC 曲线评估模型长期预测能力。此曲线计算不同阈值下的真正例率与假正例率,在多个时间点评估,全面展现模型长期稳定性与准确性。。并且增加了SHAP值评估特征重要性

专注生信领域 2630

TensorFlow入门指南:7天掌握核心概念与实战技巧

深度学习框架TensorFlow作为当前主流的机器学习工具,其核心在于张量计算图和自动微分机制。通过构建计算图实现高效数值计算,配合GPU加速可大幅提升模型训练效率。TensorFlow的工程价值体现在工业级部署能力上,支持从原型开发到生产环境的完整流程。本文以MNIST手写识别为应用场景,详解TensorFlow 2.x的环境配置、张量操作、模型构建等核心概念,特别适合需要快速掌握TensorFlow实际开发技巧的初学者。内容包含GPU加速配置、梯度计算原理等关键技术要点,并提供了七日学习路径和常见问题解

weixin_34005090的博客 122

DaVinci Developer和DaVinci Configurator:AutoSAR开发与配置工具

a. 组件创建:DaVinci Developer允许开发人员创建不同类型的AutoSAR软件组件,如应用软件组件(Application Software Component,SWC)、基础软件组件(Basic Software Component,BSWC)等。除了以上功能,DaVinci Developer和DaVinci Configurator还提供了丰富的文档和代码生成功能,以支持开发人员和配置人员进行文档编写、代码生成和文档浏览等任务。用户可以根据具体需求对软件组件进行灵活的配置。

HmoaAmp的博客 2264

从环境搭建到部署:TensorFlow深度学习全流程实战指南

在深度学习技术落地过程中,框架选型往往决定项目效率。TensorFlow作为工业级机器学习平台,以张量和计算图为核心,通过自动微分与Keras高级API,串联起数据处理、模型训练、性能优化与跨平台部署的完整链路。其核心价值在于将实验想法转化为生产级服务:一方面提供tf.data等高效数据管道解决海量数据加载瓶颈,另一方面支持GPU混合精度与分布式训练提升迭代速度,并借助SavedModel实现模型轻量化导出。无论是计算机视觉、自然语言处理,还是推荐系统,TensorFlow都能构建从探索到上线的标准化流水线

weixin_29057237的博客 194

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

TensorFlow深度学习框架入门:从张量、自动微分到工程实践

深度学习框架是连接算法设计与工程实现的桥梁,其核心价值在于将“算损失、求梯度、更新参数”的复杂流程抽象为可控的API,从而降低模型开发的准入门槛。理解框架的关键,首先要掌握张量这一数据形态,以及自动微分如何让反向传播不再需要手推公式;在此基础上,才能读懂计算图、Eager Execution与Keras高层接口背后的设计逻辑。从技术价值看,成熟的框架不仅让模型搭建变得高效,更提供了从训练到部署的完整工具链,这对工业落地与边缘计算场景尤为关键。本文以TensorFlow为例,系统梳理其核心概念、环境配置、模型

weixin_42532473的博客 257

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

从Web开发转深度学习:TensorFlow入门避坑指南

深度学习框架是人工智能应用的基础设施,其核心在于张量计算、自动微分与计算图机制。TensorFlow作为生产链路最成熟的框架之一,其分层设计与Web工程的接口、流水线和部署理念天然相通,尤其适合具备工程思维的开发者入门。借助Keras高层配置式接口,开发者可以像搭积木一样快速定义神经网络模型,理解损失函数、优化器与训练流程的本质。从模型训练到跨端部署,TensorFlow提供了从研究到生产的完整工具链。对于Web开发者而言,只要掌握数据管线、过拟合抑制、回调机制等关键概念,就能绕开环境版本、张量形状、数据归

weixin_29531177的博客 83

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

PyTorch与TensorFlow核心对比:从环境搭建到Transformer实战

深度学习框架是算法工程师的核心工具,PyTorch与TensorFlow分别以动态计算图和静态图著称。动态图便于调试,适合研究;静态图优化后利于部署。理解二者在自动求导、数据管道、模型保存等方面的差异,能帮助开发者快速迁移。本文从环境准备讲起,通过MNIST手写数字识别对比两套框架的建模流程,并深入Transformer注意力机制的PyTorch实现,最后总结常见安装与运行问题。掌握两套框架的关联,可在学术研究与工业部署场景中灵活切换,让模型开发与上线更高效。

WGH100817的博客 506

TensorFlow全链路实战:从计算图原理到端侧部署的深度解析

计算图是一种将数学运算表达为可调度数据结构的核心抽象,通过节点和边描述张量流动,实现全局优化与跨设备并行。其技术价值在于统一训练与推理,确保端到端一致性,广泛应用于移动端、浏览器及大规模服务等场景。TensorFlow正是以计算图为核心,覆盖从训练到部署的全链路,借助SavedModel和TFLite等工具链,显著降低工程成本。理解其图思维与自动微分机制,是掌握深度学习部署的关键。

weixin_42544663的博客 304

TensorFlow 2线性回归:从梯度流动到工业级调试的完整实践

线性回归是机器学习中最基础的监督学习模型,其核心在于通过最小化均方误差实现参数优化,背后涉及张量运算、自动微分与梯度下降等深度学习底层原理。作为TensorFlow 2建模思维的校准器,它具备可验证、可追溯、可调试的独特优势,能直观暴露张量维度不匹配、损失函数不可微、优化器步长失配等典型问题。在真实场景中,它被广泛用于数据质量探查、预处理验证和模型诊断——例如快速定位波士顿房价数据中的归一化偏差。本文基于TF 2.15,系统拆解GradientTape、Keras Sequential/Functional

weixin_28689193的博客 98

TensorFlow 2.x实战指南:从环境搭建到模型部署

深度学习框架是现代人工智能应用的核心基础设施,而TensorFlow作为Google开源的端到端平台,以计算图与张量运算为基石,覆盖了从模型训练到生产部署的完整链路。本文从张量、自动求导等基础概念讲起,结合Eager Execution与Keras API,介绍如何快速构建卷积神经网络并完成图像分类任务;同时深入分享数据管道、混合精度训练、模型保存与可视化等工程化技巧,并对比PyTorch的生态差异,为技术选型提供参考。无论你是刚入门的开发者,还是需要将模型落地到生产环境的工程师,都能从中获得一套可操作、可

weixin_29057065的博客 234

深度学习入门:从Python到实战的四个阶段学习路径

深度学习入门常被误解为需要先精通Python,实则不然。理解张量运算、自动求导和梯度下降等核心概念,比掌握Python全栈技能更关键。通过NumPy手写前向传播,能深入理解计算图与反向传播原理,为框架使用打下坚实基础。这种从底层到应用的路径,不仅提升模型调试与优化能力,还能加速从图像分类到论文复现的项目落地。本文围绕从初学者到专家的成长路线,拆解Python编程与深度学习实践的耦合点,帮助读者建立分阶段、可落地的学习体系。

weixin_29029995的博客 305
上一篇: 初识TensorFlow机器学习框架
下一篇: Mina发送文件的客户端实现
常耀斌
常耀斌 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄8年 1812粉丝 611原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值