Tensorflow2 ——隐式/显式的broadcasting & tensor的数学运算

最新推荐文章于 2024-06-17 17:38:48 发布
原创 最新推荐文章于 2024-06-17 17:38:48 发布 · 216 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #tensorflow #人工智能

本文主要介绍了TensorFlow中广播机制的应用及其与数学运算的结合。包括维度扩张、显式及自动转换方法，以及如何通过广播机制实现高效运算。此外，还涵盖了基本数学运算符和矩阵运算等内容。
部署运行你感兴趣的模型镜像

一、Broadcasting

  • 维度扩张
  • 不copy数据 不占用额外的内存（区别于 tf.tile ）
  • 显式转换 tf.broadcast_to
    在这里插入图片描述
  1. 数学运算时自动转换 ：only shape=1 的dim可以转成其他shape值
    在这里插入图片描述
  2. 手动转换：tf.broadcast(a,[ ])
    在这里插入图片描述
  3. tf.broadcast_to VS tf.expand_dims + tf.tile
    在这里插入图片描述

二、数学运算

  1. + - * / // %
    在这里插入图片描述

  2. exp log
    在这里插入图片描述

  3. pow ** sqrt
    在这里插入图片描述

  4. @ matmul
    在这里插入图片描述
    乘法中的broadcast
    在这里插入图片描述

  5. line layer
    在这里插入图片描述
    y = x@W + b
    在这里插入图片描述
    y = relu( x@W + b )
    在这里插入图片描述

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

【Python Numpy】广播、数组的迭代
m0_62599305的博客
11-03 1054
在Python的科学计算领域，NumPy是一个强大的工具，它提供了用于操作多维数组的功能。广播（Broadcasting）是NumPy中的一个重要概念，它使得不同形状的数组之间的计算变得非常灵活和便捷。本文将介绍广播是什么，以及如何在NumPy中使用广播来进行数组计算。在Python的科学计算领域，NumPy是一个非常强大的库，用于处理和操作多维数组。当你需要对数组中的元素执行特定操作时，数组迭代成为一个非常有用的工具。本文将介绍什么是NumPy中的数组迭代，如何使用它以及提供一些示例来说明如何迭代数组。
小白学Python：广播机制（broadcasting）
qq_40230430的博客
07-19 912
引言 我们曾在《小白学Python：Numpy（二）》中看到，两个形状相同的数组之间可以进行加减乘除幂运算，那么形状不同的数组之间能否进行运算呢？ 答案是可以的！ But !，并不是任意两个形状不同的数组都可以！ 因此，我们需要搞清楚：在何情况下，两个形状不同的数组之间可以进行加减乘除? 这就引出了本文的主角：广播机制（broadcasting）【别被名字吓到~~】 广播机制 如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度（size）相等，或其中的一方的长度
TensorFlow2.0 Broadcast 与 数学操作
廷益_飞鸟的博客
06-09 339
TensorFlow2.0 Broadcast 与 tile import tensorflow as tf import numpy as np print(tf.__version__) x = tf.random.normal([4, 32, 32, 3]) # 使用+号 直接隐式调用 broadcast 右边对齐，1或相等shape才可以 print((x + tf.random.normal([3])).shape) print((x + tf.random.normal([32, 32, 1
tensorflow矩阵和向量的加法：broadcasting机制
cluster1893的博客
05-19 9671
tensorflow矩阵和向量的加法：broadcasting机制 x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis] print(x_data.shape) xs = tf.placeholder(tf.float32, [None, 1]) Weight = tf.Variable(tf.random_n...
tensorflow第二坑-矩阵向量相乘
热门推荐
Nicoder的专栏
05-12 2万+
突然发现tensorflow的tf.matmul()只能进行矩阵之间相乘，不能进行矩阵和向量相乘！例如：Ws = tf.get_variable('Ws', [hidden_size]) bias_s = tf.get_variable('bs', [1]) score_tensor = tf.matmul(hidden, Ws) + bias_s会报错： ValueError: Shape mu
python的广播机制（broadcasting)
weixin_44319196的博客
08-07 1万+
1.python的广播机制什么？ 原理：两个数组的后缘维度相同，或者在其中一方的维度为1。广播在缺失或者长度为1的维度上补充。 2.python的广播机制是做什么用的？ 对缺失维度进行补充，可以减小代码量； 3.举例阐述一下python的广播机制。 后缘维度：A为（3，4，5）的三维数据，B为（4，5）的二维数组。由于A和B的后缘维度都为（4，5），所以可以进行广播机制。 同理:A为（3，4）的二维数组，B为（4，）的1为数组，他们的后缘维度都是4,所以可以进行广播。 其中一方维度为1：A为（4，5）的三维
python中pytorch的广播机制——Broadcasting
laosao_66的博客
10-10 2300
从尾（即最右边）维度开始，然后向左逐渐比较。已知 a.shape 是(5,1)，b.shape 是(1,6)，c.shape 是(6,)，d.shape 是()， d 是一个标量， a, b, c,和 d 都可以“广播”到维度 (5,6)；首先用1将那个小的维度的tensor扩展成大的维度相同的维度，然后将1扩张成两者的相同维度，如果有两个维度不相同，并且都不是1的话，则不能broadcasting。也就是(2,3,4)+(2,3)是不可以的,(2，3，4)+(3,4)是可以的,因为他们是右看齐的。
Tensorflow（五） —— Tensor的broadcast_to操作
Cyrus_May的博客
04-06 926
Tensorflow（五） —— broadcast_to1 broadcast_to介绍1.1 key idea1.2how to understand1.3 why broadcasting1.4 broadcastable2 隐式3 显式4 tf.broadcast_to VS tf.tile 1 broadcast_to介绍 1.1 key idea insert into 1 dim ahead if needed expand dims with size 1 to same size 即
tensorflow2深度学习从入门到精通第四章—TensorFlow 基础
2401_84097883的博客
04-20 1094
点击这里即可免费获取，包括答案解析。本节我们将利用我们已经学到的知识去完成三层神经网络的实现：我们采用的数据集是 MNIST 手写数字图片集，输入节点数为 784，第一层的输出节点数是256，第二层的输出节点数是 128，第三层的输出节点是 10，也就是当前样本属于 10 类别的概率。首先创建每个非线性函数的 w,b 参数张量：在前向计算时，首先将 shape 为[b,28,28]的输入数据 Reshape 为[b,784] 即 [b, 28, 28] => [b, 28*28]
TensorFlow进阶教程
苏冉旭的专栏
02-17 1091
目标读者：假设读者是已经熟悉python，并且已经看了一些tensorflow示例程序，希望能了解tensorflow的内在编码规则、特点和高效的编码方式。如果是这样，本文会适合你。 本文切入点是介绍tensorflow与python/numpy的不同以及语法习惯/编程思路的转换，然后介绍TF语言的重要特征和推荐的编程习惯及方法； 如果读者还不熟悉numpy或python，请先学习相应教程。如...
动手学习pyTorch之【线性模型】—— 具体代码实现
weixin_43232279的博客
04-24 844
Linear-regression 一些pytorch的函数介绍 基础 y = torch.tensor([0, 2]) y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]]) y_hat[[0, 1], y] tensor([0.1000, 0.5000]) 相当于获取 (0,0) 和 (1,2) 正态分布 torch.normal(mean, std, *, generator=None, out=None) # 从一个标准正态分布
Python的广播机制
m0_67173953的博客
08-01 3230
两个数组的，或者在。广播在缺失或者长度为1的维度上补充。
python中的广播机制(broadcasting)
Never__Say__No的博客
03-08 1221
在python中使用numpy进行按位运算的时候，有一个小技巧可以帮助减少代码量——那就是broadcasting,广播机制。 简单来说，broadcasting可以这样理解：如果你有一个大小为(m,n)的矩阵A，让它加减乘除一个大小为(1,n)的矩阵B，B就会被复制m次，成为一个大小为(m,n)的矩阵，然后再逐元素地进行加减乘除操作, 同样地对B大小为(m,1)的矩阵成立. 例如下面的, 不需要去写A + [100, 100, 100]了 A = numpy.array([1,2,3]) result
消灭 for 循环！Python 的矩阵传播机制和矩阵运算
qingkahui24689的博客
04-27 2484
本文主要介绍消灭 for 循环！Python 的矩阵传播机制和矩阵运算
Python Numpy Tutorials： Broadcasting
Eric2016_Lv的博客
05-12 669
Broadcasting typically makes your code more concise and faster, so you should strive to use it where possible.# -*- coding: utf-8 -*- """ Python Version: 3.5 Created on Fri May 12 12:50:49 2017 E-mail:
python 矩阵运算和广播机制_python 自动广播机制 (broadcasting)
weixin_39675728的博客
12-04 572
NumPy 广播机制(Broadcasting)一.何为广播机制 a.广播机制是Numpy(开源数值计算工具,用于处理大型矩阵)里一种向量化数组操作方法. b.Numpy的通用函数(Universal functions)中要求输入的两个数组sh ...Numpy中的广播机制，数组的广播机制(Broadcasting)这篇文章把numpy中的广播机制讲的十分透彻: https://jakevdp...
NumPy broadcasting (广播) 的计算过程
程永强
12-15 867
NumPy broadcasting (广播) 的计算过程
PyTorch 中广播机制（Broadcasting）笔记
最新发布
锴笑口常开的博客
06-17 1848
在 PyTorch 中存在广播（Broadcasting），广播是一种机制，用于自动扩展较小的张量以匹配较大张量的形状，从而使得它们能够进行元素级操作（如加法、减法、乘法等）。广播并不改变张量的实际数据，而是通过虚拟扩展来简化操作。
Python NumPy 广播（Broadcasting）
weixin_42098295的博客
12-14 619
A为（4，5）的二维数组，B为（4，1）的二维数组，两者维度相同， B的数组中一个维度元素个数为1。A为（4，5）的二维数组，B为（1，5）的二维数组，两者维度相同， B的数组中一个维度元素个数为1。A为（4，5）的二维数组，B为（1，1）的二维数组，两者维度相同， B的数组中一个维度元素个数为1。A为（4，5）的二维数组，B为（1，）的二维数组，两者维度相同， B的数组中一个维度元素个数为1。A为（2，3）的二维数组，B为（3，）的1为数组，后缘维度都是3，所以可以进行广播。2）其中一方维度为1。
C++ DLL封装与隐式/显式链接调用方法解析
在DLL中封装多个类并提供两种常见的链接方式（隐式链接和显式链接）是高级编程技术的一个重要方面。接下来将详细介绍C++中DLL封装的多个类、隐式链接和显式链接方法以及如何调用这些DLL。 ### DLL封装的多个类 在...
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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