รู้เบื้องต้นเกี่ยวกับ Tensors

import tensorflow as tf
import numpy as np

Tensors คืออาร์เรย์หลายมิติที่มีประเภทสม่ำเสมอ (เรียกว่า dtype ) คุณสามารถดู dtypes ที่รองรับทั้งหมดได้ที่tf.dtypes.DType

หากคุณคุ้นเคยกับ NumPy แล้วเทนเซอร์จะ (ชนิด) เหมือน np.arrays

เทนเซอร์ทั้งหมดไม่เปลี่ยนรูปเช่นหมายเลข Python และสตริง: คุณไม่สามารถอัปเดตเนื้อหาของเทนเซอร์ได้เพียงสร้างใหม่

พื้นฐาน

มาสร้างเทนเซอร์พื้นฐานกัน

นี่คือเทนเซอร์ "สเกลาร์" หรือ "อันดับ-0" สเกลาร์ประกอบด้วยค่าเดียวและไม่มี "แกน"

# This will be an int32 tensor by default; see "dtypes" below.
rank_0_tensor = tf.constant(4)
print(rank_0_tensor)

tf.Tensor(4, shape=(), dtype=int32)

เทนเซอร์ "vector" หรือ "rank-1" ก็เหมือนรายการค่า เวกเตอร์มีแกนเดียว:

# Let's make this a float tensor.
rank_1_tensor = tf.constant([2.0, 3.0, 4.0])
print(rank_1_tensor)

tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32)

"เมทริกซ์" หรือ "อันดับ -2" เทนเซอร์มีสองแกน:

# If you want to be specific, you can set the dtype (see below) at creation time
rank_2_tensor = tf.constant([[1, 2],
                             [3, 4],
                             [5, 6]], dtype=tf.float16)
print(rank_2_tensor)

tf.Tensor(
[[1. 2.]
 [3. 4.]
 [5. 6.]], shape=(3, 2), dtype=float16)

สเกลาร์รูปร่าง: `[]`	เวกเตอร์รูปร่าง: `[3]`	เมทริกซ์รูปร่าง: `[3, 2]`

เทนเซอร์อาจมีแกนมากขึ้น นี่คือเทนเซอร์ที่มีสามแกน:

# There can be an arbitrary number of
# axes (sometimes called "dimensions")
rank_3_tensor = tf.constant([
  [[0, 1, 2, 3, 4],
   [5, 6, 7, 8, 9]],
  [[10, 11, 12, 13, 14],
   [15, 16, 17, 18, 19]],
  [[20, 21, 22, 23, 24],
   [25, 26, 27, 28, 29]],])

print(rank_3_tensor)

tf.Tensor(
[[[ 0  1  2  3  4]
  [ 5  6  7  8  9]]

 [[10 11 12 13 14]
  [15 16 17 18 19]]

 [[20 21 22 23 24]
  [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32)

มีหลายวิธีที่คุณอาจเห็นภาพของเทนเซอร์ที่มีมากกว่าสองแกน

เทนเซอร์ 3 แกนรูปร่าง: `[3, 2, 5]`

คุณสามารถแปลงเทนเซอร์เป็นอาร์เรย์ NumPy ได้โดยใช้ np.array หรือเมธอด tensor.numpy :

np.array(rank_2_tensor)

array([[1., 2.],
       [3., 4.],
       [5., 6.]], dtype=float16)

rank_2_tensor.numpy()

array([[1., 2.],
       [3., 4.],
       [5., 6.]], dtype=float16)

เทนเซอร์มักประกอบด้วยโฟลตและอินเทอร์ แต่มีอีกหลายประเภท ได้แก่ :

จำนวนเชิงซ้อน
สตริง

คลาส tf.Tensor ฐานกำหนดให้เทนเซอร์เป็น "สี่เหลี่ยม" - นั่นคือตามแต่ละแกนทุกองค์ประกอบมีขนาดเท่ากัน อย่างไรก็ตามมีเทนเซอร์ชนิดพิเศษที่สามารถจัดการกับรูปร่างที่แตกต่างกันได้:

Ragged Tensors (ดู RaggedTensor ด้านล่าง)
เทนเซอร์แบบเบาบาง (ดู SparseTensor ด้านล่าง)

คุณสามารถทำคณิตศาสตร์พื้นฐานเกี่ยวกับเทนเซอร์ได้รวมถึงการบวกการคูณตามองค์ประกอบและการคูณเมทริกซ์

a = tf.constant([[1, 2],
                 [3, 4]])
b = tf.constant([[1, 1],
                 [1, 1]]) # Could have also said `tf.ones([2,2])`

print(tf.add(a, b), "\n")
print(tf.multiply(a, b), "\n")
print(tf.matmul(a, b), "\n")

tf.Tensor(
[[2 3]
 [4 5]], shape=(2, 2), dtype=int32) 

tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32) 

tf.Tensor(
[[3 3]
 [7 7]], shape=(2, 2), dtype=int32)

print(a + b, "\n") # element-wise addition
print(a * b, "\n") # element-wise multiplication
print(a @ b, "\n") # matrix multiplication

tf.Tensor(
[[2 3]
 [4 5]], shape=(2, 2), dtype=int32) 

tf.Tensor(
[[1 2]
 [3 4]], shape=(2, 2), dtype=int32) 

tf.Tensor(
[[3 3]
 [7 7]], shape=(2, 2), dtype=int32)

Tensors ใช้ในการดำเนินการทุกประเภท (ops)

c = tf.constant([[4.0, 5.0], [10.0, 1.0]])

# Find the largest value
print(tf.reduce_max(c))
# Find the index of the largest value
print(tf.argmax(c))
# Compute the softmax
print(tf.nn.softmax(c))

tf.Tensor(10.0, shape=(), dtype=float32)
tf.Tensor([1 0], shape=(2,), dtype=int64)
tf.Tensor(
[[2.6894143e-01 7.3105854e-01]
 [9.9987662e-01 1.2339458e-04]], shape=(2, 2), dtype=float32)

เกี่ยวกับรูปร่าง

เทนเซอร์มีรูปร่าง คำศัพท์บางคำ:

รูปร่าง : ความยาว (จำนวนองค์ประกอบ) ของแต่ละแกนของเทนเซอร์
อันดับ : จำนวนแกนเทนเซอร์ สเกลาร์มีอันดับ 0 เวกเตอร์มีอันดับ 1 เมทริกซ์คืออันดับ 2
แกน หรือ มิติ : มิติเฉพาะของเทนเซอร์
ขนาด : จำนวนรายการทั้งหมดในเทนเซอร์เวกเตอร์รูปร่างผลิตภัณฑ์

Tensors และ tf.TensorShape วัตถุ tf.TensorShape มีคุณสมบัติที่สะดวกในการเข้าถึงสิ่งเหล่านี้:

rank_4_tensor = tf.zeros([3, 2, 4, 5])

เทนเซอร์อันดับ -4 รูปร่าง: `[3, 2, 4, 5]`

print("Type of every element:", rank_4_tensor.dtype)
print("Number of axes:", rank_4_tensor.ndim)
print("Shape of tensor:", rank_4_tensor.shape)
print("Elements along axis 0 of tensor:", rank_4_tensor.shape[0])
print("Elements along the last axis of tensor:", rank_4_tensor.shape[-1])
print("Total number of elements (3*2*4*5): ", tf.size(rank_4_tensor).numpy())

Type of every element: <dtype: 'float32'>
Number of axes: 4
Shape of tensor: (3, 2, 4, 5)
Elements along axis 0 of tensor: 3
Elements along the last axis of tensor: 5
Total number of elements (3*2*4*5):  120

ในขณะที่ดัชนีมักอ้างถึงแกน แต่คุณควรติดตามความหมายของแต่ละแกนอยู่เสมอ มักจะเรียงลำดับแกนจากส่วนกลางไปยังท้องถิ่น: แกนแบตช์ก่อนตามด้วยมิติข้อมูลเชิงพื้นที่และคุณลักษณะสำหรับแต่ละตำแหน่งสุดท้าย ด้วยวิธีนี้คุณสมบัติเวกเตอร์เป็นพื้นที่ที่อยู่ติดกัน

ลำดับแกนทั่วไป

การจัดทำดัชนี

การจัดทำดัชนีแกนเดียว

TensorFlow เป็นไปตามกฎการจัดทำดัชนี Python มาตรฐานคล้ายกับการ สร้างดัชนีรายการหรือสตริงใน Python และกฎพื้นฐานสำหรับการจัดทำดัชนี NumPy

ดัชนีเริ่มต้นที่ 0
ดัชนีเชิงลบจะนับถอยหลังจากจุดสิ้นสุด
เครื่องหมายทวิภาค : ใช้สำหรับชิ้นส่วน: start:stop:step

rank_1_tensor = tf.constant([0, 1, 1, 2, 3, 5, 8, 13, 21, 34])
print(rank_1_tensor.numpy())

[ 0  1  1  2  3  5  8 13 21 34]

การสร้างดัชนีด้วยสเกลาร์จะลบแกน:

print("First:", rank_1_tensor[0].numpy())
print("Second:", rank_1_tensor[1].numpy())
print("Last:", rank_1_tensor[-1].numpy())

First: 0
Second: 1
Last: 34

การสร้างดัชนีด้วย a : slice ทำให้แกน:

print("Everything:", rank_1_tensor[:].numpy())
print("Before 4:", rank_1_tensor[:4].numpy())
print("From 4 to the end:", rank_1_tensor[4:].numpy())
print("From 2, before 7:", rank_1_tensor[2:7].numpy())
print("Every other item:", rank_1_tensor[::2].numpy())
print("Reversed:", rank_1_tensor[::-1].numpy())

Everything: [ 0  1  1  2  3  5  8 13 21 34]
Before 4: [0 1 1 2]
From 4 to the end: [ 3  5  8 13 21 34]
From 2, before 7: [1 2 3 5 8]
Every other item: [ 0  1  3  8 21]
Reversed: [34 21 13  8  5  3  2  1  1  0]

การจัดทำดัชนีหลายแกน

ตัวนับอันดับที่สูงกว่าจะถูกจัดทำดัชนีโดยการส่งผ่านหลายดัชนี

กฎเดียวกันกับในกรณีแกนเดียวใช้กับแต่ละแกนโดยอิสระ

print(rank_2_tensor.numpy())

[[1. 2.]
 [3. 4.]
 [5. 6.]]

การส่งผ่านจำนวนเต็มสำหรับแต่ละดัชนีผลลัพธ์คือสเกลาร์

# Pull out a single value from a 2-rank tensor
print(rank_2_tensor[1, 1].numpy())

4.0

คุณสามารถจัดทำดัชนีโดยใช้การรวมกันของจำนวนเต็มและส่วนต่างๆ:

# Get row and column tensors
print("Second row:", rank_2_tensor[1, :].numpy())
print("Second column:", rank_2_tensor[:, 1].numpy())
print("Last row:", rank_2_tensor[-1, :].numpy())
print("First item in last column:", rank_2_tensor[0, -1].numpy())
print("Skip the first row:")
print(rank_2_tensor[1:, :].numpy(), "\n")

Second row: [3. 4.]
Second column: [2. 4. 6.]
Last row: [5. 6.]
First item in last column: 2.0
Skip the first row:
[[3. 4.]
 [5. 6.]]

นี่คือตัวอย่างของเทนเซอร์ 3 แกน:

print(rank_3_tensor[:, :, 4])

tf.Tensor(
[[ 4  9]
 [14 19]
 [24 29]], shape=(3, 2), dtype=int32)

การเลือกคุณลักษณะสุดท้ายในตำแหน่งทั้งหมดในแต่ละตัวอย่างในชุดงาน

อ่าน คู่มือการแบ่ง ส่วน เทนเซอร์ เพื่อเรียนรู้ว่าคุณสามารถใช้การจัดทำดัชนีเพื่อจัดการกับองค์ประกอบแต่ละอย่างในเทนเซอร์ของคุณ

การจัดการรูปร่าง

การปรับรูปร่างเทนเซอร์เป็นประโยชน์อย่างมาก

# Shape returns a `TensorShape` object that shows the size along each axis
x = tf.constant([[1], [2], [3]])
print(x.shape)

(3, 1)

# You can convert this object into a Python list, too
print(x.shape.as_list())

[3, 1]

คุณสามารถปรับรูปร่างเทนเซอร์ให้เป็นรูปร่างใหม่ได้ การดำเนินการ tf.reshape นั้นรวดเร็วและราคาถูกเนื่องจากข้อมูลพื้นฐานไม่จำเป็นต้องทำซ้ำ

# You can reshape a tensor to a new shape.
# Note that you're passing in a list
reshaped = tf.reshape(x, [1, 3])

print(x.shape)
print(reshaped.shape)

(3, 1)
(1, 3)

ข้อมูลจะรักษาเค้าโครงไว้ในหน่วยความจำและมีการสร้างเทนเซอร์ใหม่โดยมีรูปร่างที่ร้องขอโดยชี้ไปที่ข้อมูลเดียวกัน TensorFlow ใช้การจัดลำดับหน่วยความจำแบบ "row-major" แบบ C ซึ่งการเพิ่มดัชนีขวาสุดจะสอดคล้องกับขั้นตอนเดียวในหน่วยความจำ

print(rank_3_tensor)

tf.Tensor(
[[[ 0  1  2  3  4]
  [ 5  6  7  8  9]]

 [[10 11 12 13 14]
  [15 16 17 18 19]]

 [[20 21 22 23 24]
  [25 26 27 28 29]]], shape=(3, 2, 5), dtype=int32)

ถ้าคุณแบนเทนเซอร์คุณจะเห็นว่ามันเรียงลำดับอะไรในหน่วยความจำ

# A `-1` passed in the `shape` argument says "Whatever fits".
print(tf.reshape(rank_3_tensor, [-1]))

tf.Tensor(
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
 24 25 26 27 28 29], shape=(30,), dtype=int32)

โดยปกติการใช้ tf.reshape อย่างสมเหตุสมผลเพียงอย่างเดียวคือการรวมหรือแยกแกนที่อยู่ติดกัน (หรือเพิ่ม / ลบ 1 วินาที)

สำหรับเทนเซอร์ 3x2x5 นี้การปรับรูปร่างใหม่เป็น (3x2) x5 หรือ 3x (2x5) เป็นสิ่งที่สมเหตุสมผลที่ต้องทำเนื่องจากชิ้นส่วนไม่ผสมกัน:

print(tf.reshape(rank_3_tensor, [3*2, 5]), "\n")
print(tf.reshape(rank_3_tensor, [3, -1]))

tf.Tensor(
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]
 [20 21 22 23 24]
 [25 26 27 28 29]], shape=(6, 5), dtype=int32) 

tf.Tensor(
[[ 0  1  2  3  4  5  6  7  8  9]
 [10 11 12 13 14 15 16 17 18 19]
 [20 21 22 23 24 25 26 27 28 29]], shape=(3, 10), dtype=int32)

รูปร่างที่ดีบางอย่าง

การปรับรูปร่างใหม่จะ "ใช้ได้ผล" สำหรับรูปร่างใหม่ใด ๆ ที่มีจำนวนองค์ประกอบทั้งหมดเท่ากัน แต่จะไม่เกิดประโยชน์อะไรหากคุณไม่เคารพลำดับของแกน

การสลับแกนใน tf.reshape ไม่ทำงาน คุณต้องการ tf.transpose สำหรับสิ่งนั้น

# Bad examples: don't do this

# You can't reorder axes with reshape.
print(tf.reshape(rank_3_tensor, [2, 3, 5]), "\n") 

# This is a mess
print(tf.reshape(rank_3_tensor, [5, 6]), "\n")

# This doesn't work at all
try:
  tf.reshape(rank_3_tensor, [7, -1])
except Exception as e:
  print(f"{type(e).__name__}: {e}")

tf.Tensor(
[[[ 0  1  2  3  4]
  [ 5  6  7  8  9]
  [10 11 12 13 14]]

 [[15 16 17 18 19]
  [20 21 22 23 24]
  [25 26 27 28 29]]], shape=(2, 3, 5), dtype=int32) 

tf.Tensor(
[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]
 [24 25 26 27 28 29]], shape=(5, 6), dtype=int32) 

InvalidArgumentError: Input to reshape is a tensor with 30 values, but the requested shape requires a multiple of 7 [Op:Reshape]

รูปร่างที่ไม่ดีบางอย่าง

คุณสามารถวิ่งข้ามรูปร่างที่ไม่ได้ระบุไว้อย่างครบถ้วน ทั้งรูปร่างจะประกอบด้วย None (ไม่ทราบความยาวแกน) หรือรูปร่างทั้งหมดเป็น None ( None ทราบอันดับของเทนเซอร์)

ยกเว้น tf.RaggedTensor รูปร่างดังกล่าวจะเกิดขึ้นในบริบทของ API ที่สร้างกราฟเชิงสัญลักษณ์ของ TensorFlow เท่านั้น:

เพิ่มเติมเกี่ยวกับ `DTypes`

ในการตรวจสอบ tf.Tensor ชนิดข้อมูลการใช้งานของTensor.dtype คุณสมบัติ

เมื่อสร้าง tf.Tensor จากออบเจ็กต์ Python คุณสามารถเลือกระบุประเภทข้อมูลได้

ถ้าคุณไม่ทำเช่นนั้น TensorFlow จะเลือกประเภทข้อมูลที่สามารถแสดงข้อมูลของคุณได้ TensorFlow แปลงจำนวนเต็ม Python เป็น tf.int32 และ Python floating point เป็น tf.float32 มิฉะนั้น TensorFlow จะใช้กฎเดียวกันกับที่ NumPy ใช้เมื่อแปลงเป็นอาร์เรย์

คุณสามารถส่งจากประเภทหนึ่งไปยังอีกประเภทหนึ่งได้

the_f64_tensor = tf.constant([2.2, 3.3, 4.4], dtype=tf.float64)
the_f16_tensor = tf.cast(the_f64_tensor, dtype=tf.float16)
# Now, cast to an uint8 and lose the decimal precision
the_u8_tensor = tf.cast(the_f16_tensor, dtype=tf.uint8)
print(the_u8_tensor)

tf.Tensor([2 3 4], shape=(3,), dtype=uint8)

การแพร่ภาพ

การแพร่ภาพเป็นแนวคิดที่ยืมมาจาก คุณลักษณะที่เทียบเท่าใน NumPy ในระยะสั้นภายใต้เงื่อนไขบางประการเทนเซอร์ที่มีขนาดเล็กจะถูก "ยืดออก" โดยอัตโนมัติเพื่อให้พอดีกับเทนเซอร์ที่มีขนาดใหญ่ขึ้นเมื่อเรียกใช้การทำงานร่วมกัน

กรณีที่ง่ายและพบบ่อยที่สุดคือเมื่อคุณพยายามคูณหรือเพิ่มเทนเซอร์ให้กับสเกลาร์ ในกรณีนั้นสเกลาร์จะถูกถ่ายทอดเป็นรูปร่างเดียวกับอาร์กิวเมนต์อื่น

x = tf.constant([1, 2, 3])

y = tf.constant(2)
z = tf.constant([2, 2, 2])
# All of these are the same computation
print(tf.multiply(x, 2))
print(x * y)
print(x * z)

tf.Tensor([2 4 6], shape=(3,), dtype=int32)
tf.Tensor([2 4 6], shape=(3,), dtype=int32)
tf.Tensor([2 4 6], shape=(3,), dtype=int32)

ในทำนองเดียวกันแกนที่มีความยาว 1 สามารถยืดออกเพื่อให้ตรงกับอาร์กิวเมนต์อื่น ๆ อาร์กิวเมนต์ทั้งสองสามารถยืดออกได้ในการคำนวณเดียวกัน

ในกรณีนี้เมทริกซ์ 3x1 คือองค์ประกอบที่ชาญฉลาดคูณด้วยเมทริกซ์ 1x4 เพื่อสร้างเมทริกซ์ 3x4 สังเกตว่า 1 นำหน้าเป็นทางเลือกอย่างไร: รูปร่างของ y คือ [4]

# These are the same computations
x = tf.reshape(x,[3,1])
y = tf.range(1, 5)
print(x, "\n")
print(y, "\n")
print(tf.multiply(x, y))

tf.Tensor(
[[1]
 [2]
 [3]], shape=(3, 1), dtype=int32) 

tf.Tensor([1 2 3 4], shape=(4,), dtype=int32) 

tf.Tensor(
[[ 1  2  3  4]
 [ 2  4  6  8]
 [ 3  6  9 12]], shape=(3, 4), dtype=int32)

การเพิ่มที่ออกอากาศ: a `[3, 1]` คูณ a `[1, 4]` ให้ `[3,4]`

นี่คือการดำเนินการเดียวกันโดยไม่ต้องออกอากาศ:

x_stretch = tf.constant([[1, 1, 1, 1],
                         [2, 2, 2, 2],
                         [3, 3, 3, 3]])

y_stretch = tf.constant([[1, 2, 3, 4],
                         [1, 2, 3, 4],
                         [1, 2, 3, 4]])

print(x_stretch * y_stretch)  # Again, operator overloading

tf.Tensor(
[[ 1  2  3  4]
 [ 2  4  6  8]
 [ 3  6  9 12]], shape=(3, 4), dtype=int32)

เวลาส่วนใหญ่การออกอากาศมีทั้งเวลาและพื้นที่อย่างมีประสิทธิภาพเนื่องจากการดำเนินการออกอากาศไม่เคยทำให้เกิดเทนเซอร์ที่ขยายในหน่วยความจำ

คุณจะเห็นว่าการออกอากาศเป็นอย่างไรเมื่อใช้tf.broadcast_to

print(tf.broadcast_to(tf.constant([1, 2, 3]), [3, 3]))

tf.Tensor(
[[1 2 3]
 [1 2 3]
 [1 2 3]], shape=(3, 3), dtype=int32)

ซึ่งแตกต่างจาก op ทางคณิตศาสตร์ตัวอย่างเช่น broadcast_to ไม่ได้ทำอะไรเป็นพิเศษในการบันทึกหน่วยความจำ ที่นี่คุณกำลังเป็นตัวเป็นตนของเทนเซอร์

มันจะซับซ้อนมากขึ้น ส่วนนี้ ของหนังสือ Python Data Science Handbook ของ Jake VanderPlas แสดงเทคนิคการออกอากาศเพิ่มเติม (อีกครั้งใน NumPy)

tf.convert_to_tensor

ops ส่วนใหญ่เช่น tf.matmul และ tf.reshape ใช้อาร์กิวเมนต์ของ class tf.Tensor อย่างไรก็ตามคุณจะสังเกตเห็นในกรณีข้างต้นว่ายอมรับวัตถุ Python ที่มีรูปร่างเหมือนเทนเซอร์

ตัวเลือกส่วนใหญ่ แต่ไม่ใช่ทั้งหมดเรียก convert_to_tensor บนอาร์กิวเมนต์ที่ไม่ใช่เทนเซอร์ มีรีจิสทรีของการแปลงและคลาสอ็อบเจ็กต์ส่วนใหญ่เช่น ndarray ของ NumPy, TensorShape , รายการ Python และ tf.Variable ทั้งหมดจะแปลงโดยอัตโนมัติ

ดู tf.register_tensor_conversion_function สำหรับรายละเอียดเพิ่มเติมและหากคุณมีประเภทของตัวเองคุณต้องการแปลงเป็นเทนเซอร์โดยอัตโนมัติ

Ragged Tensors

เทนเซอร์ที่มีจำนวนองค์ประกอบแปรผันตามแกนบางส่วนเรียกว่า "มอมแมม" ใช้ tf.ragged.RaggedTensor สำหรับข้อมูลที่ไม่สมบูรณ์

ตัวอย่างเช่นสิ่งนี้ไม่สามารถแสดงเป็นเทนเซอร์ปกติได้:

`tf.RaggedTensor` รูปร่าง: `[4, None]`

ragged_list = [
    [0, 1, 2, 3],
    [4, 5],
    [6, 7, 8],
    [9]]

try:
  tensor = tf.constant(ragged_list)
except Exception as e:
  print(f"{type(e).__name__}: {e}")

ValueError: Can't convert non-rectangular Python sequence to Tensor.

สร้างtf.RaggedTensor โดยใช้ tf.ragged.constant :

ragged_tensor = tf.ragged.constant(ragged_list)
print(ragged_tensor)

<tf.RaggedTensor [[0, 1, 2, 3], [4, 5], [6, 7, 8], [9]]>

รูปร่างของtf.RaggedTensor จะมีแกนบางส่วนที่ไม่ทราบความยาว:

print(ragged_tensor.shape)

(4, None)

สตริงเทนเซอร์

tf.string คือ dtype ซึ่งหมายความว่าคุณสามารถแทนข้อมูลเป็นสตริง (อาร์เรย์ไบต์ที่มีความยาวตัวแปร) ในเทนเซอร์

สตริงเป็นแบบอะตอมและไม่สามารถจัดทำดัชนีได้ตามที่สตริง Python เป็น ความยาวของสตริงไม่ใช่หนึ่งในแกนของเทนเซอร์ โปรดดูที่ tf.strings สำหรับฟังก์ชันในการจัดการ

นี่คือเทนเซอร์สตริงสเกลาร์:

# Tensors can be strings, too here is a scalar string.
scalar_string_tensor = tf.constant("Gray wolf")
print(scalar_string_tensor)

tf.Tensor(b'Gray wolf', shape=(), dtype=string)

และเวกเตอร์ของสตริง:

เวกเตอร์ของสตริงรูปร่าง: `[3,]`

# If you have three string tensors of different lengths, this is OK.
tensor_of_strings = tf.constant(["Gray wolf",
                                 "Quick brown fox",
                                 "Lazy dog"])
# Note that the shape is (3,). The string length is not included.
print(tensor_of_strings)

tf.Tensor([b'Gray wolf' b'Quick brown fox' b'Lazy dog'], shape=(3,), dtype=string)

ในการพิมพ์ด้านบนคำนำหน้า b ระบุว่า tf.string dtype ไม่ใช่สตริงยูนิโคด แต่เป็นไบต์สตริง ดู บทช่วยสอน Unicode สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการทำงานกับข้อความ Unicode ใน TensorFlow

หากคุณส่งอักขระ Unicode พวกเขาจะเข้ารหัส utf-8

tf.constant("🥳👍")

<tf.Tensor: shape=(), dtype=string, numpy=b'\xf0\x9f\xa5\xb3\xf0\x9f\x91\x8d'>

ฟังก์ชันพื้นฐานบางอย่างที่มีสตริงสามารถพบได้ใน tf.strings รวมถึง tf.strings.split

# You can use split to split a string into a set of tensors
print(tf.strings.split(scalar_string_tensor, sep=" "))

tf.Tensor([b'Gray' b'wolf'], shape=(2,), dtype=string)

# ...but it turns into a `RaggedTensor` if you split up a tensor of strings,
# as each string might be split into a different number of parts.
print(tf.strings.split(tensor_of_strings))

<tf.RaggedTensor [[b'Gray', b'wolf'], [b'Quick', b'brown', b'fox'], [b'Lazy', b'dog']]>

สามสายแบ่งรูปร่าง: `[3, None]`

และ tf.string.to_number :

text = tf.constant("1 10 100")
print(tf.strings.to_number(tf.strings.split(text, " ")))

tf.Tensor([  1.  10. 100.], shape=(3,), dtype=float32)

แม้ว่าคุณจะไม่สามารถใช้ tf.cast เพื่อเปลี่ยนเทนเซอร์สตริงให้เป็นตัวเลขได้ แต่คุณสามารถแปลงเป็นไบต์แล้วเป็นตัวเลขได้

byte_strings = tf.strings.bytes_split(tf.constant("Duck"))
byte_ints = tf.io.decode_raw(tf.constant("Duck"), tf.uint8)
print("Byte strings:", byte_strings)
print("Bytes:", byte_ints)

Byte strings: tf.Tensor([b'D' b'u' b'c' b'k'], shape=(4,), dtype=string)
Bytes: tf.Tensor([ 68 117  99 107], shape=(4,), dtype=uint8)

# Or split it up as unicode and then decode it
unicode_bytes = tf.constant("アヒル 🦆")
unicode_char_bytes = tf.strings.unicode_split(unicode_bytes, "UTF-8")
unicode_values = tf.strings.unicode_decode(unicode_bytes, "UTF-8")

print("\nUnicode bytes:", unicode_bytes)
print("\nUnicode chars:", unicode_char_bytes)
print("\nUnicode values:", unicode_values)


Unicode bytes: tf.Tensor(b'\xe3\x82\xa2\xe3\x83\x92\xe3\x83\xab \xf0\x9f\xa6\x86', shape=(), dtype=string)

Unicode chars: tf.Tensor([b'\xe3\x82\xa2' b'\xe3\x83\x92' b'\xe3\x83\xab' b' ' b'\xf0\x9f\xa6\x86'], shape=(5,), dtype=string)

Unicode values: tf.Tensor([ 12450  12498  12523     32 129414], shape=(5,), dtype=int32)

tf.string dtype ใช้สำหรับข้อมูลไบต์ดิบทั้งหมดใน TensorFlow โมดูล tf.io มีฟังก์ชันสำหรับการแปลงข้อมูลไปและกลับจากไบต์รวมถึงการถอดรหัสรูปภาพและการแยกวิเคราะห์ csv

เทนเซอร์เบาบาง

บางครั้งข้อมูลของคุณก็กระจัดกระจายเช่นพื้นที่ฝังที่กว้างมาก TensorFlow รองรับ tf.sparse.SparseTensor และการดำเนินการที่เกี่ยวข้องเพื่อจัดเก็บข้อมูลที่กระจัดกระจายอย่างมีประสิทธิภาพ

`tf.SparseTensor` รูปร่าง: `[3, 4]`

# Sparse tensors store values by index in a memory-efficient manner
sparse_tensor = tf.sparse.SparseTensor(indices=[[0, 0], [1, 2]],
                                       values=[1, 2],
                                       dense_shape=[3, 4])
print(sparse_tensor, "\n")

# You can convert sparse tensors to dense
print(tf.sparse.to_dense(sparse_tensor))

SparseTensor(indices=tf.Tensor(
[[0 0]
 [1 2]], shape=(2, 2), dtype=int64), values=tf.Tensor([1 2], shape=(2,), dtype=int32), dense_shape=tf.Tensor([3 4], shape=(2,), dtype=int64)) 

tf.Tensor(
[[1 0 0 0]
 [0 0 2 0]
 [0 0 0 0]], shape=(3, 4), dtype=int32)