Тензоры и операции

TensorFlow.js - это фреймворк для определения и выполнения вычислений с использованием тензоров в JavaScript. Тензор является обобщением векторов и матриц к более высоким измерениям.

Тензоры

Центральный блок данных в TensorFlow.js является tf.Tensor : набор значений формы в массив одного или нескольких измерений. tf.Tensor s очень похожи на многомерные массивы.

tf.Tensor также содержит следующие свойства:

  • rank : определяет , сколько размеры тензор содержит
  • shape : который определяет размер каждого измерения данных
  • dtype : который определяет тип данных тензора.

tf.Tensor может быть создан из массива с tf.tensor() метод:

// Create a rank-2 tensor (matrix) matrix tensor from a multidimensional array.
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('shape:', a.shape);
a.print();

// Or you can create a tensor from a flat array and specify a shape.
const shape = [2, 2];
const b = tf.tensor([1, 2, 3, 4], shape);
console.log('shape:', b.shape);
b.print();

По умолчанию, tf.Tensor s будет иметь float32 dtype. tf.Tensor s также может быть создан с BOOL, int32, complex64 и струнной dtypes:

const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
console.log('shape:', a.shape);
console.log('dtype', a.dtype);
a.print();

TensorFlow.js также предоставляет набор удобных методов для создания случайных тензоров, тензоры , заполненных определенным значением, тензоры из HTMLImageElement s, и многих других , которые вы можете найти здесь .

Изменение формы тензора

Количество элементов в tf.Tensor является продуктом размеров в своей форме. Так как часто раз может быть несколько форм с одинаковым размером, что часто бывает полезно , чтобы иметь возможность изменения формы tf.Tensor в другую форму того же размера. Это может быть достигнуто с reshape() метод:

const a = tf.tensor([[1, 2], [3, 4]]);
console.log('a shape:', a.shape);
a.print();

const b = a.reshape([4, 1]);
console.log('b shape:', b.shape);
b.print();

Получение значений от тензора

Вы также можете получить значения из tf.Tensor с помощью Tensor.array() или Tensor.data() методы:

 const a = tf.tensor([[1, 2], [3, 4]]);
 // Returns the multi dimensional array of values.
 a.array().then(array => console.log(array));
 // Returns the flattened data that backs the tensor.
 a.data().then(data => console.log(data));

Мы также предоставляем синхронные версии этих методов, которые проще использовать, но они вызовут проблемы с производительностью в вашем приложении. В производственных приложениях всегда следует отдавать предпочтение асинхронным методам.

const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
console.log(a.arraySync());
// Returns the flattened data that backs the tensor.
console.log(a.dataSync());

Операции

В то время как тензоры позволяют хранить данные, операции (ops) позволяют манипулировать этими данными. TensorFlow.js также предоставляет широкий спектр операций, подходящих для линейной алгебры и машинного обучения, которые могут выполняться с тензорами.

Пример: вычисления х 2 из всех элементов в tf.Tensor :

const x = tf.tensor([1, 2, 3, 4]);
const y = x.square();  // equivalent to tf.square(x)
y.print();

Пример: добавление элементов из двух tf.Tensor сек поэлементно:

const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b);  // equivalent to tf.add(a, b)
y.print();

Поскольку тензоры неизменяемы, эти операции не меняют своих значений. Вместо этого, опс возвращение всегда возвращают новые tf.Tensor с.

Вы можете найти список операций , TensorFlow.js опор здесь .

объем памяти

При использовании WebGL бэкенда, tf.Tensor память должна управляться явно (не достаточно , чтобы позволить tf.Tensor выйти за рамки для его памяти будет выпущена).

Для того, чтобы уничтожить память о tf.Tensor, вы можете использовать dispose() метод или tf.dispose() :

const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)

Очень часто в приложении объединяют несколько операций в цепочку. Сохранение ссылки на все промежуточные переменные для их удаления может снизить удобочитаемость кода. Чтобы решить эту проблему, TensorFlow.js обеспечивает tf.tidy() метод , который очищает все tf.Tensor с, не возвращается функцией после его запуска, подобно тому, как локальные переменные очищены , когда функция выполняется:

const a = tf.tensor([[1, 2], [3, 4]]);
const y = tf.tidy(() => {
  const result = a.square().log().neg();
  return result;
});

В этом примере результат square() и log() будет автоматически удаляться. Результат neg() не будет расположена так как это возвращаемое значение tf.tidy ().

Вы также можете получить количество тензоров, отслеживаемых TensorFlow.js:

console.log(tf.memory());

Печатается объект tf.memory() будет содержать информацию о том , сколько памяти в настоящее время выделяется. Вы можете найти более подробную информацию здесь .