TensorFlow 張量操作的實(shí)現(xiàn)
更新時間：2025年08月20日 08:50:13 作者：usaccn
本文介紹了TensorFlow中的張量基礎(chǔ)操作,涵蓋張量創(chuàng)建、數(shù)學(xué)運(yùn)算、形狀操作、索引切片、廣播機(jī)制、聚合操作、排序及高級操作等核心內(nèi)容,具有一定的參考價值,感興趣的可以了解一下
TensorFlow 張量操作基礎(chǔ)
張量是TensorFlow中的核心數(shù)據(jù)結(jié)構(gòu)，可以理解為多維數(shù)組。張量的秩表示其維度數(shù)量，例如標(biāo)量是0維張量，向量是1維張量，矩陣是2維張量。
import tensorflow as tf # 創(chuàng)建標(biāo)量 scalar = tf.constant(5) # 創(chuàng)建向量 vector = tf.constant([1, 2, 3]) # 創(chuàng)建矩陣 matrix = tf.constant([[1, 2], [3, 4]]) # 創(chuàng)建3維張量 tensor = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
張量創(chuàng)建方法
TensorFlow提供了多種創(chuàng)建張量的方式，包括從Python列表、Numpy數(shù)組創(chuàng)建，以及生成特定模式的張量。
# 從Python列表創(chuàng)建 tensor_from_list = tf.convert_to_tensor([1, 2, 3]) # 從Numpy數(shù)組創(chuàng)建 import numpy as np array = np.array([[1, 2], [3, 4]]) tensor_from_np = tf.convert_to_tensor(array) # 生成全零張量 zeros = tf.zeros([2, 3]) # 生成全一張量 ones = tf.ones([3, 2]) # 生成隨機(jī)正態(tài)分布張量 randn = tf.random.normal([2, 2], mean=0.0, stddev=1.0) # 生成均勻分布張量 randu = tf.random.uniform([3, 3], minval=0, maxval=1)
張量數(shù)學(xué)運(yùn)算
張量支持各種數(shù)學(xué)運(yùn)算，包括逐元素運(yùn)算和矩陣運(yùn)算。
a = tf.constant([[1, 2], [3, 4]]) b = tf.constant([[5, 6], [7, 8]]) # 逐元素加法 add = tf.add(a, b) # 逐元素乘法 mul = tf.multiply(a, b) # 矩陣乘法 matmul = tf.matmul(a, b) # 張量求和 sum_all = tf.reduce_sum(a) sum_axis0 = tf.reduce_sum(a, axis=0) sum_axis1 = tf.reduce_sum(a, axis=1) # 張量平均值 mean = tf.reduce_mean(a) # 張量最大值 max_val = tf.reduce_max(a)
張量形狀操作
改變張量形狀是常見的操作，TensorFlow提供了多種形狀操作方法。
tensor = tf.constant([[1, 2], [3, 4], [5, 6]]) # 獲取張量形狀 shape = tensor.shape # 改變張量形狀 reshaped = tf.reshape(tensor, [2, 3]) # 轉(zhuǎn)置張量 transposed = tf.transpose(tensor) # 擴(kuò)展維度 expanded = tf.expand_dims(tensor, axis=0) # 壓縮維度 squeezed = tf.squeeze(expanded)
張量索引和切片
TensorFlow支持類似Numpy的索引和切片操作。
tensor = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) # 獲取單個元素 elem = tensor[1, 2] # 獲取第2行第3列的元素 # 獲取行切片 row_slice = tensor[1:, :] # 獲取第2行及以后的所有行 # 獲取列切片 col_slice = tensor[:, 1] # 獲取第2列 # 使用步長切片 strided_slice = tensor[::2, ::2] # 每隔2個元素取一個
張量廣播機(jī)制
TensorFlow支持廣播機(jī)制，允許不同形狀的張量進(jìn)行運(yùn)算。
a = tf.constant([[1, 2, 3]]) # 形狀(1,3) b = tf.constant([[4], [5], [6]]) # 形狀(3,1) # 廣播加法 c = a + b # 結(jié)果形狀(3,3)
張量聚合操作
TensorFlow提供了多種聚合操作函數(shù)。
tensor = tf.constant([[1, 2, 3], [4, 5, 6]]) # 沿軸0求和 sum0 = tf.reduce_sum(tensor, axis=0) # [5,7,9] # 沿軸1求最大值 max1 = tf.reduce_max(tensor, axis=1) # [3,6] # 計算邏輯與 logical = tf.reduce_all(tensor > 3) # False # 計算均值 mean = tf.reduce_mean(tensor) # 3.5
張量拼接與分割
TensorFlow支持張量的拼接和分割操作。
a = tf.constant([[1, 2], [3, 4]]) b = tf.constant([[5, 6], [7, 8]]) # 沿軸0拼接 concat0 = tf.concat([a, b], axis=0) # 沿軸1拼接 concat1 = tf.concat([a, b], axis=1) # 張量分割 split0 = tf.split(a, num_or_size_splits=2, axis=0) split1 = tf.split(a, num_or_size_splits=[1, 1], axis=1)
張量排序操作
TensorFlow提供了排序和top-k操作。
tensor = tf.constant([[3, 1, 4], [1, 5, 9]]) # 排序 sorted_values, sorted_indices = tf.sort(tensor, direction='DESCENDING') # argsort argsort = tf.argsort(tensor) # top-k top_k_values, top_k_indices = tf.math.top_k(tensor, k=2)
張量高級操作
TensorFlow還提供了一些高級張量操作。
# 張量收集 tensor = tf.constant([[0, 1, 2], [3, 4, 5]]) indices = tf.constant([0, 1]) gathered = tf.gather(tensor, indices) # 收集第0行和第1行 # 張量分散 updates = tf.constant([10, 20]) scattered = tf.tensor_scatter_nd_update(tensor, [[0, 0], [1, 1]], updates) # 張量條件操作 cond = tf.where(tensor > 3, tensor, tf.zeros_like(tensor)) # 大于3保留原值，否則設(shè)為0
張量梯度計算
TensorFlow支持自動微分，可以計算張量操作的梯度。
x = tf.Variable(3.0)
with tf.GradientTape() as tape:
y = x ** 2 + 2 * x + 1
dy_dx = tape.gradient(y, x) # 2x + 2 = 8
張量與Numpy互操作
TensorFlow張量和Numpy數(shù)組可以方便地相互轉(zhuǎn)換。
# 張量轉(zhuǎn)Numpy數(shù)組 tensor = tf.constant([[1, 2], [3, 4]]) numpy_array = tensor.numpy() # Numpy數(shù)組轉(zhuǎn)張量 new_tensor = tf.convert_to_tensor(numpy_array)
到此這篇關(guān)于TensorFlow 張量操作的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)TensorFlow 張量操作內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了python虛擬環(huán)境完美部署教程，非常不錯，具有一定的參考借鑒價值,需要的朋友可以參考下2019-08-08
使用python為mysql實(shí)現(xiàn)restful接口
這篇文章主要介紹了使用python為mysql實(shí)現(xiàn)restful接口的相關(guān)資料,需要的朋友可以參考下2018-01-01
通過Python代碼實(shí)現(xiàn)照片秒變藝術(shù)素描畫效果
這篇文章主要介紹了通過Python和OpenCV實(shí)現(xiàn)照片素描效果的“三步走”策略,并提供了示例代碼,步驟包括灰度化、反轉(zhuǎn)與模糊以及混合,最終生成類似鉛筆素描的藝術(shù)效果,需要的朋友可以參考下2025-11-11
python命令行引導(dǎo)用戶填寫可用的ip地址和端口號實(shí)現(xiàn)
這篇文章主要為大家介紹了python命令行引導(dǎo)用戶填寫可用的ip地址和端口號實(shí)現(xiàn)詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2023-11-11
今天小編就為大家分享一篇numpy 返回函數(shù)的上三角矩陣實(shí)例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
Python實(shí)現(xiàn)的多叉樹尋找最短路徑算法示例
這篇文章主要介紹了Python實(shí)現(xiàn)的多叉樹尋找最短路徑算法,結(jié)合實(shí)例形式分析了Python使用深度優(yōu)先查找獲取多叉樹最短路徑相關(guān)操作技巧,需要的朋友可以參考下2018-07-07
Pytorch深度學(xué)習(xí)之實(shí)現(xiàn)病蟲害圖像分類
PyTorch是一個開源的Python機(jī)器學(xué)習(xí)庫，基于Torch，用于自然語言處理等應(yīng)用程序。它具有強(qiáng)大的GPU加速的張量計算和自動求導(dǎo)系統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)。本文將介紹如何通過PyTorch實(shí)現(xiàn)病蟲害圖像分類，感興趣的可以學(xué)習(xí)一下2021-12-12
這篇文章主要介紹了python pip如何手動安裝二進(jìn)制包，幫助大家更好的進(jìn)行python開發(fā)，感興趣的朋友可以了解下
2020-09-09 
基于Python實(shí)現(xiàn)在線二維碼生成工具
這篇文章將為大家展示如何通過純Python編程的方式，開發(fā)出一個網(wǎng)頁應(yīng)用—基于輸入的網(wǎng)址等文字內(nèi)容實(shí)現(xiàn)二維碼的生成，感興趣的可以學(xué)習(xí)一下
2022-05-05