为什么有些公司却没有自己的网站,jsp网站开发典型模块与实例精讲,两个人做类似的梦 网站,医院网站asp⚠申明#xff1a; 未经许可#xff0c;禁止以任何形式转载#xff0c;若要引用#xff0c;请标注链接地址。 全文共计3077字#xff0c;阅读大概需要3分钟 #x1f308;更多学习内容#xff0c; 欢迎#x1f44f;关注#x1f440;【文末】我的个人微信公众号#xf… ⚠申明 未经许可禁止以任何形式转载若要引用请标注链接地址。 全文共计3077字阅读大概需要3分钟 更多学习内容 欢迎关注【文末】我的个人微信公众号不懂开发的程序猿 个人网站https://jerry-jy.co/ TensorFlow进阶一张量的范数、最值、均值、和函数、张量的比较 TensorFlow进阶一一、任务需求二、任务目标1、掌握张量的合并2、掌握张量的分割3、掌握张量的最值、均值、和函数4、掌握张量的比较 三、任务环境1、python3.62、tensorflow2.43、jupyter 四、任务实施过程(三)、向量范数(四)、最值、均值、和(五)、张量比较 五、任务小结 TensorFlow进阶一
一、任务需求
在介绍完张量的基本操作后我们来进一步学习张量的进阶操作如张量的合并与分割、范数统计、张量填充、张量限幅等本节需要完成张量的合并包括拼接和堆叠张量的分割、向量范数、最值、均值、和张量的比较等功能。
二、任务目标
1、掌握张量的合并
2、掌握张量的分割
3、掌握张量的最值、均值、和函数
4、掌握张量的比较
三、任务环境
1、python3.6
2、tensorflow2.4
3、jupyter
四、任务实施过程
(三)、向量范数
12、在 TensorFlow 中可以通过 tf.norm(x, ord)求解张量的 L1、L2、∞等范数其中参数ord 指定为 1、2 时计算 L1、L2 范数指定为 np.inf 时计算∞ −范数
x tf.ones([2,2])
tf.norm(x,ord1) #计算L1范数tf.norm(x,ord2) #计算L2范数tf.Tensor: shape(), dtypefloat32, numpy2.0 import numpy as np
tf.norm(x,ordnp.inf) # 计算∞范数(四)、最值、均值、和
13、考虑 shape 为[4,10]的张量其中第一个维度代表样本数量第二个维度代表了当前样本分别属于10个类别的概率需要求出每个样本的概率最大值可以通过tf.reduce_max 函数实现
x tf.random.normal([4,10]) # 模型生成概率
tf.reduce_max(x,axis1) # 统计概率维度上的最大值tf.Tensor: shape(4,), dtypefloat32, numpyarray([1.8075018, 1.8042752, 1.0641811, 1.9087783], dtypefloat32) 14、返回长度为 4 的向量分别代表了每个样本的最大概率值。同样求出每个样本概率的最小值
tf.reduce_min(x,axis1)tf.Tensor: shape(4,), dtypefloat32, numpyarray([-0.4287228, -0.5215661, -1.9173664, -1.5540869], dtypefloat32) 15、求出每个样本的概率的均值
tf.reduce_mean(x,axis1)tf.Tensor: shape(4,), dtypefloat32, numpyarray([ 0.4275422 , 0.2606017 , -0.19171332, 0.38828874], dtypefloat32) 16、当不指定 axis 参数时tf.reduce_*函数会求解出全局元素的最大、最小、均值、和等数据。
x tf.random.normal([4,10])
tf.reduce_max(x),tf.reduce_min(x),tf.reduce_mean(x) 17、在求解误差函数时通过 TensorFlow 的 MSE 误差函数可以求得每个样本的误差需要计算样本的平均误差此时可以通过 tf.reduce_mean 在样本数维度上计算均值
out tf.random.normal([4,10]) # 模拟网络预测输出
y tf.constant([1,2,2,0]) # 模拟真实标签
y tf.one_hot(y,depth10) # one-hot 编码
loss tf.keras.losses.mse(y,out) # 计算每个样本的误差
loss tf.reduce_mean(loss) # 平均误差在样本数维度上取均值
loss # 误差标量18、与均值函数相似的是求和函数 tf.reduce_sum(x, axis)它可以求解张量在 axis 轴上所有特征的和
out tf.random.normal([4,10])
tf.reduce_sum(out,axis-1) # 求最后一个维度的和tf.Tensor: shape(4,), dtypefloat32, numpyarray([ 1.0680336, 1.31221 , 4.050804 , -1.6357648], dtypefloat32) 19、除了希望获取张量的最值信息还希望获得最值所在的位置索引号例如分类任务的标签预测就需要知道概率最大值所在的位置索引号一般把这个位置索引号作为预测类别。考虑 10 分类问题我们得到神经网络的输出张量 outshape 为[2,10]代表了 2 个样本属于 10 个类别的概率由于元素的位置索引代表了当前样本属于此类别的概率预测时往往会选择概率值最大的元素所在的索引号作为样本类别的预测值。
out tf.random.normal([2,10])
out tf.nn.softmax(out, axis1) # 通过 softmax 函数转换为概率值
out以第一个样本为例可以看到它概率最大的索引为 0最大概率值为 0.1877。由于每个索引号上的概率值代表了样本属于此索引号的类别的概率因此第一个样本属于 0 类的概率最大在预测时考虑第一个样本应该最有可能属于类别 0。这就是需要求解最大值的索引号的一个典型应用
20、通过 tf.argmax(x, axis)和 tf.argmin(x, axis)可以求解在 axis 轴上x 的最大值、最小值所在的索引号
pred tf.argmax(out, axis1) # 选取概率最大的位置tf.Tensor: shape(2,), dtypeint64, numpyarray([0, 7]) 可以看到这 2 个样本概率最大值都出现在索引 0 上因此最有可能都是类别 0我们可以将类别 0 作为这 2 个样本的预测类别。
(五)、张量比较
21、为了计算分类任务的准确率等指标一般需要将预测结果和真实标签比较统计比较结果中正确的数量来计算准确率。考虑 100 个样本的预测结果通过 tf.argmax 获取预测类别
out tf.random.normal([100,10])
out tf.nn.softmax(out, axis1) # 输出转换为概率
pred tf.argmax(out, axis1) # 计算预测值
pred22、变量 pred 保存了这 100 个样本的预测类别值我们与这 100 样本的真实标签比较
y tf.random.uniform([100],dtypetf.int64,maxval10)
ytf.Tensor: shape(100,), dtypeint64, numpy
array([1, 3, 7, 0, 0, 2, 9, 6, 0, 3, 3, 4, 7, 8, 8, 3, 2, 9, 6, 0, 1, 6,8, 6, 1, 1, 2, 4, 7, 4, 9, 9, 7, 5, 6, 5, 4, 9, 2, 6, 0, 4, 3, 2,9, 0, 5, 8, 3, 3, 4, 4, 0, 3, 0, 4, 8, 4, 7, 9, 3, 6, 1, 4, 2, 5,1, 9, 9, 1, 1, 2, 7, 8, 9, 0, 7, 6, 1, 1, 2, 8, 1, 2, 6, 0, 8, 2,6, 1, 5, 8, 3, 0, 9, 0, 2, 3, 3, 5])23、即可获得代表每个样本是否预测正确的布尔类型张量。通过 tf.equal(a, b)(或 tf.math.equal(a,b)两者等价)函数可以比较这 2 个张量是否相等
out tf.equal(pred,y) # 预测值与真实值比较返回布尔类型的张量
outtf.Tensor: shape(100,), dtypebool, numpy
array([False, False, False, True, False, False, False, False, False,False, False, False, False, False, False, False, False, False,False, False, False, False, False, False, False, False, False,False, False, False, True, False, False, False, False, False,False, False, False, True, False, False, False, False, False,False, False, False, False, False, True, True, False, False,True, False, False, False, False, False, False, False, True,False, False, False, False, False, True, False, False, False,False, False, False, False, False, False, False, False, True,False, False, False, False, False, False, False, False, False,False, False, False, False, True, False, False, False, False,False])24、tf.equal()函数返回布尔类型的张量比较结果只需要统计张量中 True 元素的个数即可知道预测正确的个数。为了达到这个目的我们先将布尔类型转换为整形张量即 True 对应 为 1False 对应为 0再求和其中 1 的个数就可以得到比较结果中 True 元素的个数
out tf.cast(out, dtypetf.float32) # 布尔型转 int 型
correct tf.reduce_sum(out) # 统计 True 的个数
correct五、任务小结
本节主要介绍了将多个张量在某个维度上合并为一个张量张量的合并可以使用拼接(Concatenate)和堆叠(Stack)操作实现拼接操作并不会产生新的维度仅在现有的维度上合并而堆叠会创建新维度。选择使用拼接还是堆叠操作来合并张量取决于具体的场景是否需要创建新维度。合并操作的逆过程就是分割将一个张量分拆为多个张量。在神经网络的计算过程中经常需要统计数据的各种属性如最值、最值位置、均值、范数等信息。由于张量通常较大直接观察数据很难获得有用信息通过获取这些张量的统计信息可以较轻松地推测张量数值的分布。为了计算分类任务的准确率等指标一般需要将预测结果和真实标签比较统计比较结果中正确的数量来计算准确率。通过本节需要掌握以下知识
掌握张量的合并掌握张量的分割掌握张量的最值、均值、和函数掌握张量的比较
–end–
