Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

tf.Tensor

TensorFlow 1 Version Quelle auf GitHub anzeigen

Ein Tensor ist eine mehrdimensionale Anordnung von Elementen, die durch a dargestellt werden

tf.Tensor Objekt. Alle Elemente haben einen einzigen bekannten Datentyp.

Beim Schreiben eines TensorFlow-Programms ist das Hauptobjekt, das manipuliert und weitergegeben wird, der tf.Tensor .

Ein tf.Tensor hat folgende Eigenschaften:

  • ein einzelner Datentyp (z. B. float32, int32 oder string)
  • eine Form

TensorFlow unterstützt die eifrige Ausführung und die Ausführung von Grafiken. Bei eifriger Ausführung werden Operationen sofort ausgewertet. Bei der Diagrammausführung wird ein Berechnungsdiagramm zur späteren Auswertung erstellt.

TensorFlow wird standardmäßig eifrig ausgeführt. Im folgenden Beispiel werden die Matrixmultiplikationsergebnisse sofort berechnet.

# Compute some values using a Tensor
c = tf.constant([[1.0, 2.0], [3.0, 4.0]])
d = tf.constant([[1.0, 1.0], [0.0, 1.0]])
e = tf.matmul(c, d)
print(e)
tf.Tensor(
[[1. 3.]
 [3. 7.]], shape=(2, 2), dtype=float32)

Beachten Sie, dass Sie während der eifrigen Ausführung möglicherweise feststellen, dass Ihre Tensors tatsächlich vom Typ EagerTensor . Dies ist ein internes Detail, aber es gibt Ihnen Zugriff auf eine nützliche Funktion, numpy :

type(e)
<class '...ops.EagerTensor'>
print(e.numpy())
  [[1. 3.]
   [3. 7.]]

In TensorFlow sind tf.function eine gebräuchliche Methode zum Definieren der Diagrammausführung.

Die Form eines Tensors (dh der Rang des Tensors und die Größe jeder Dimension) ist möglicherweise nicht immer vollständig bekannt. In den tf.function ist die Form möglicherweise nur teilweise bekannt.

Die meisten Operationen erzeugen Tensoren mit vollständig bekannten Formen, wenn die Formen ihrer Eingaben ebenfalls vollständig bekannt sind. In einigen Fällen ist es jedoch nur möglich, die Form eines Tensors zur Ausführungszeit zu ermitteln.

Es stehen eine Reihe spezialisierter Tensoren zur Verfügung: siehe tf.Variable , tf.constant , tf.placeholder , tf.sparse.SparseTensor und tf.RaggedTensor .

Weitere Informationen zu Tensoren finden Sie in der Anleitung .

op Eine Operation . Operation , die diesen Tensor berechnet.
value_index Ein int . Index des Endpunkts der Operation, der diesen Tensor erzeugt.
dtype Ein DType . Art der in diesem Tensor gespeicherten Elemente.

TypeError Wenn die Operation keine Operation .

device Der Name des Geräts, auf dem dieser Tensor erzeugt wird, oder Keine.
dtype Der DType der Elemente in diesem Tensor.
graph Der Graph , der diesen Tensor enthält.
name Der Stringname dieses Tensors.
op The Operation that produces this tensor as an output.
shape Returns a tf.TensorShape that represents the shape of this tensor.

t = tf.constant([1,2,3,4,5])
t.shape
TensorShape([5])

tf.Tensor.shape is equivalent to tf.Tensor.get_shape() .

In a tf.function or when building a model using tf.keras.Input , they return the build-time shape of the tensor, which may be partially unknown.

A tf.TensorShape is not a tensor. Use tf.shape(t) to get a tensor containing the shape, calculated at runtime.

See tf.Tensor.get_shape() , and tf.TensorShape for details and examples.

value_index The index of this tensor in the outputs of its Operation .

Methods

consumers

View source

Returns a list of Operation s that consume this tensor.

Returns
A list of Operation s.

eval

View source

Evaluates this tensor in a Session .

Calling this method will execute all preceding operations that produce the inputs needed for the operation that produces this tensor.

Args
feed_dict A dictionary that maps Tensor objects to feed values. See tf.Session.run for a description of the valid feed values.
session (Optional.) The Session to be used to evaluate this tensor. If none, the default session will be used.

Returns
A numpy array corresponding to the value of this tensor.

experimental_ref

View source

DEPRECATED FUNCTION

get_shape

View source

Returns a tf.TensorShape that represents the shape of this tensor.

In eager execution the shape is always fully-known.

a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(a.shape)
(2, 3)

tf.Tensor.get_shape() is equivalent to tf.Tensor.shape .

When executing in a tf.function or building a model using tf.keras.Input ,