numpy和tensorflow的一些用法与联系

最新推荐文章于 2024-05-05 20:19:43 发布

原创

最新推荐文章于 2024-05-05 20:19:43 发布 · 3k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#numpy

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 >

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()