numpy和tensorflow的一些用法与联系

这篇博客探讨了TensorFlow和NumPy在处理数据方面的差异。在NumPy中,数组可以直接查看数值,而在TensorFlow中,需要通过Session运行才能获取结果。文章还讨论了数组、矩阵和列表间的转换,以及TensorFlow中的shape获取方法。此外,介绍了NumPy中的范数计算、标量判断、惰性求值的概念,并提到了lambda函数和错误处理。最后,提到了在TensorFlow程序中使用tf.app.run()启动应用的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  1. tensorflow和numpy值的差别
    在numpy中生成的np.array可以直接在 debug中看到产生的具体数字;
    而在tensorflow中却只是一个tensor类型,需要调用tf.Session().run(XX)才行,tensorflow中是图操作
import tensorflow as tf
import numpy as np

def t1():
    #这个说明Variable的值可以边,而tensor的值不会变
    a =tf.Variable(tf.ones((6,6,3)))
    values = np.array([[[2,2,3],[4,4,3],[1,1,7],[6,6,0]],
                  [[1,2,4],[0,2,3],[1,9,3],[6,8,3]],
                  [[0,2,3],[1,9,3],[6,8,3],[6,8,3]],
                  [[2,2,3],[4,4,3],[1,1,7],[6,6,0]]])
    #tf.Variable.assign()与tf.assign是不同的,前者是进行赋值操作,后者是可以添加操作;
    b = a[0:4,0:4,].assign(values)
    xx = tf.assign(a[0:2, :, :], a[0:2, 0:2, :] + values[0:2, 0:2, :])
    init = tf.global_variables_initializer()
    print(values.shape)
    with tf.Session() as sess:
        sess.run(init)
        c1,c2=sess.run([a,b])
        print(c1.shape)
        print(c2.shape)
    sess.close()
t1()
  1. np.arry(list),对列表转化为np.np.ndarray类型、

                
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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