TF 1.x 训练使能混合精度 实验内容及目标 混合精度训练方法是通过混合使用float16和float32数据类型来加速深度神经网络训练的过程，并减少内存使用和存取，从而可以训练更大的神经网络。同时又能基本保持使用float32训练所能达到的网络精度。当前昇腾AI处理器支持如下几种训练精度模式，用户可以在训练脚本中设置。 本实验以一个Sess.run的手写数字分类网络为例，介绍迁移TensorF
转载
2024-06-04 14:51:52
40阅读
5.1 合并与分割5.1.1合并合并是指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，拼接并不会产生新的维度，而堆叠会创建新维度。拼接：tf.concat(tensors, axis) ，其中tensors 保存了所有需要合并的张量 List , axis 指定需要合并的维度。# 在axis=0维度， 合并张量 A,B
转载
2024-03-29 12:54:05
55阅读
第一篇（常用数学运算）基本数学运算加减乘除运算：tf.add(x, y) # 逐个元素 加
tf.subtract(x, y) # 减
tf.multiply(x, y) # 乘
tf.divide(x ,y) # 除
tf.math.mod(x, y) # 取模
a = tf.constant([0, 1, 2])
b = tf.constant([3, 4, 5])
tf.add(
转载
2024-04-03 19:59:59
37阅读
一. TensorFlow内的基本概念图的构建 1.初始化图tf.reset_default_graph()用于清除默认图形堆栈并重置全局默认图形.2.构建新的图g1 = tf.Graph()
g2 = tf.Graph()3.在图中定义张量with g1.as_default():
a = tf.constant([1.0, 1.0])
b = tf.constant([1.0, 1
转载
2024-08-12 22:53:06
38阅读
TensorFlow - 张量
https://tensorflow.google.cn/guide/tensorsTensorFlow 指南 - TensorFlow 工作原理https://tensorflow.google.cn/guide正如名称所示，TensorFlow 这一框架定义和运行涉及张量的计算。张量是对矢量和矩阵向潜在的更高维度的泛化。TensorFlow 在
转载
2024-05-02 21:01:54
29阅读
TensorFlow基本概念之张量张量:Tensor1.打印hello world2.张量支持的数据类型3.创建张量4.计算张量5.稀疏张量 SparseTensor 张量:Tensor在TensorFlow中，张量是数据流图上的数据载体，tensorflow中的tensor就是张量的意思，使用张量统一表示所有数据。张量可以看做是0阶标量，1阶向量和2阶矩阵在高维空间的推广。 张量与常见数据实体
转载
2024-06-16 20:39:42
85阅读
从TensorFlow的名字就可以看出张量(tensor)是一个很重的概念。在tensorflow程序中所有的数据都通过张量的形式来表示。从功能的角度看，张量可以被理解为多维数组。其中零阶张量表示标量（scalar）也就是一个数；一阶张量为向量，也就是一维数组；n阶张量可以理解为一个n维数组。但张量的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有保存数字
转载
2024-03-30 09:04:42
98阅读
TensorFlow 的张量就是一个 n 维数组， 类型为tf.Tensor。 文章目录1 创建张量1.1 创建固定值张量1.2 创建随机张量2 张量的阶3 张量的类型4 张量的变换4.1 类型的变换4.2 形状的变换5 张量的切片与扩展6 其它张量运算 1 创建张量1.1 创建固定值张量操作代码说明全零张量tf.zeros(shape, dtype=tf.float32, name=None)创
转载
2024-06-30 22:59:34
42阅读
转载
2020-09-23 10:28:00
253阅读
在上一节中，我们安装 TensorFlow 并运行了最简单的应用，这节我们熟悉 TensorFlow 中的张量。张量是 TensorFlow 的核心数据类型。数学里面也有张量的概念，但是 TensorFlow 的张量其实不一样，更像是一个 n 维数组。不能在常规 Python 例程中访问张量，因此 TensorFlow API 提供了很多张量的操作函数。张量的创建张量是一个 n 维数组。当 $n=
转载
2024-04-25 13:42:56
38阅读
import tensorflow as tfa = tf.constant([1,5], dtype=tf.int32)print(a)print(a.shape)print(a.dtype)
原创
2022-05-08 13:57:44
203阅读
文章目录
一、索引与切片
1.1 索引
1.2 切片
二、维度变换
2.1 改变视图reshape
2.2 增删维度
2.3 交换维度transpose
2.4 复制数据tile
三、Broadcasting
四、数学运算
4.1 加、减、乘、除运算
4.2 乘方运算
4.3 指数和对数运算
4.4 矩阵相乘
五、前向传播实
张量操作在tensorflow中，有很多操作张量的函数，有生成张量、创建随机张量、张量类型与形状变换和张量的切片与运算生成张量固定值张量tf.zeros(shape, dtype=tf.float32, name=None)创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。 tf.zeros_like(tensor, dtype=Non
转载
2024-01-11 13:49:16
136阅读
文章目录1.张量(Tensor)的定义2.创建张量的指令2.1固定值张量2.2随机值张量2.2.1进入InteractiveSession交互式会话2.2.2生成正态分布随机值张量3.张量的变换3.1张量的类型改变3.2张量的形状改变3.2.1静态形状的改变3.2.2 动态形状的改变 1.张量(Tensor)的定义TensorFlow中的张量就是一个n维的数组，类型为tf.tensor.类似于n
转载
2024-03-17 14:18:38
74阅读
张量的基本操作有：加，减，乘，除。因为目前TensorFlow的版本更新比较快，而且感觉根据最新的版本更替张量的数值操作都在向着tf.math模块迁移。具体的API要根据版本来定。这里需要注意的是关于div()的操作：1、TensorFlow提供div()的多种变化形式和相关的函数。2、div()返回值与输入数据类型一致。注：在Python2中，整数除法的实际返回值是商的向下取整，即不大于商的最大
转载
2024-03-18 20:51:40
30阅读
参考文档：https://www.jianshu.com/p/b5a383d54645 张量：在tensorflow中，张量是一种管理数据的形式，所有数据都以张量的形式表示，张量在tensorflow中是运算结果的引用，在张量中并没有保存数字，他保存的是如何得到这些数字的计算过程a=tf.constant([1.0,2.0],name="a")
b=tf.constant([2.0,3.0],na
TensorFlow入门之基础介绍一、Tensorflow的安装与配置二、TensorFlow总体介绍2.1 张量（Tensor）张量是所有深度学习框架中最核心的组件，因为后续的所有运算和优化算法都是基于张量进行的。几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。 有了张量对象之后，下面一步就是一系列针对这一对象的数
转载
2024-10-21 19:19:44
26阅读
张量操作篇1 数据类型转换1.1数据类型1.2数据类型转换2 张量操作2.1 形状操作2.2切片和合并2.3 归约计算2.4索引求取 1 数据类型转换1.1数据类型整型数据代码描述tf.int88位整数tf.int1616位整数tf.int3232位整数tf.int6464位整数tf.uint88位无符号整数。tf.uint1616位无符号整数。浮点型数据代码描述tf.float1616位浮点数
转载
2024-10-15 20:30:20
90阅读
TensorFlow简介：官网上对TensorFlow的介绍是，一个使用数据流图(data flow graphs)技术来进行数值计算的开源软件库。数据流图中的节点，代表数值运算；节点节点之间的边，代表多维数据(tensors)之间的某种联系。我们可以在多种设备（含有CPU或GPU）上通过简单的API调用来使用该系统的功能。TensorFlow包含构建数据流图与计算数据流图等基本步骤，图中的节点表
一、张量（Tensor）：1、张量的阶和数据类型 2、张量的属性： graph 张量所属的默认图op 张量的操作名name 张量的字符串描述shape 张量形状 3、张量的动态形状与静态形状TensorFlow中，张量具有静态形状和动态形状静态形状： 创建一个张量或者由操作推导出一个张量时,初始状态的形状 tf.Tensor.get_sha
转载
2024-02-27 21:20:09
93阅读
