Aritmetiske operasjoner

TensorFlow tilbyr en rekke aritmetiske operasjoner for manipulering av tensorer. Disse operasjonene, og mange andre i TensorFlow, støtter broadcasting, noe som gjør det enklere å utføre elementvise operasjoner på tensorer med ulike former.

Addisjon

For addisjon av tensorer kan vi bruke metodene tf.add(), .assign_add() og plusstegnet +. Vi kan også bruke broadcasting med plusstegnet + eller med tf.add()-metoden.

Broadcasting gjør det mulig å utføre elementvise operasjoner på tensorer med forskjellige, men kompatible, former ved å virtuelt utvide den minste tensorn til å matche formen til den største tensorn.


              12345678910111213141516171819202122232425
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise addition with TF method
c1 = tf.add(a, b)  

# Same as `c1` calculation, but shorter
c2 = a + b  

# Using broadcasting; 
# Same as `[1, 2, 3] + [3, 3, 3]`
c3 = a + 3  

# The most efficient one; 
# Changes the object inplace without creating a new one;
# Result is the same as for `c1` and `c2`.
a.assign_add(b)

print('TF method:\t', c1)
print('Plus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Merk

For inplace-metoden må det grunnleggende elementet være av muterbar Variable-type og ikke en konstant.

Subtraksjon

Vi har analoger av alle metoder for subtraksjon som for addisjon:

tf.add() endres til tf.subtract();
Pluss-tegnet + endres til minus-tegnet -;
.assign_add() endres til .assign_sub().


              123456789101112131415161718192021
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([4, 5, 6])
b = tf.constant([1, 2, 3])

# Perform element-wise substraction
c1 = tf.subtract(a, b)  
c2 = a - b 

# Using broadcasting; 
# Same as `[4, 5, 6] - [3, 3, 3]`
c3 = a - 3  

# Inplace substraction
a.assign_sub(b)

print('TF method:\t', c1)
print('Minus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Multiplikasjon (Elementvis)

For multiplikasjon finnes det ingen inplace-metode, siden matrise-multiplikasjon i seg selv resulterer i et nytt objekt. Andre operasjoner har imidlertid sine motparter:

tf.add() tilsvarer tf.multiply();
Pluss-tegnet + tilsvarer stjerne-tegnet *.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise multiplication
c1 = tf.multiply(a, b)  
c2 = a * b 

# Using broadcasting; 
# Same as `[1, 2, 3] * [3, 3, 3]`
c3 = a * 3  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

Divisjon

Tilsvarende som for multiplikasjon, men med tf.divide() og /-tegnet.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([6, 8, 10])
b = tf.constant([2, 4, 5])

# Perform element-wise division
c1 = tf.divide(a, b)  
c2 = a / b 

# Using broadcasting; 
# Same as `[6, 8, 10] / [2, 2, 2]`
c3 = a / 2  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

Broadcasting

Broadcasting er begrepet som brukes for å beskrive hvordan tensorer med ulike former automatisk og implisitt behandles under aritmetiske operasjoner slik at de fremstår som om de har samme form. Dette gjør det mulig å utføre operasjoner på tensorer med forskjellige størrelser uten å eksplisitt endre størrelsen først.

Les mer

For en grundigere forståelse av broadcasting, kan du se den offisielle NumPy-dokumentasjonssiden om dette emnet.

Oppgave

Swipe to start coding

Gitt et sett med matriser, utfør følgende operasjoner:

In-place addisjon av en 2x2-matrise.
Subtraksjon ved bruk av tf.subtract()-metoden for en 2x3-matrise.
Broadcasting-multiplikasjon av en 3x2-matrise med en annen 1x2-matrise.
Broadcasting-divisjon mellom to matriser, én av størrelse 2x3 og den andre 2x1.

Merk

Merk deg broadcasting-adferden i multiplikasjons- og divisjonsoperasjonene. Ved multiplikasjon tilsvarer det å multiplisere [[1, 2], [3, 4], [5, 6]] med [[2, 4], [2, 4], [2, 4]]. Ved divisjon tilsvarer det å dele [[2, 4, 6], [4, 8, 12]] på [[2, 2, 2], [4, 4, 4]].

I det første tilfellet utvides matrisen langs 0-aksen (første parameter i shape), mens i det andre tilfellet utvides matrisen langs 1-aksen (andre parameter i shape). Dette avhenger av matrisenes form.

Løsning

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 8

single

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Awesome!

Completion rate improved to 5.56

Sveip for å vise menyen

Aritmetiske operasjoner

Addisjon

For addisjon av tensorer kan vi bruke metodene tf.add(), .assign_add() og plusstegnet +. Vi kan også bruke broadcasting med plusstegnet + eller med tf.add()-metoden.


              12345678910111213141516171819202122232425
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise addition with TF method
c1 = tf.add(a, b)  

# Same as `c1` calculation, but shorter
c2 = a + b  

# Using broadcasting; 
# Same as `[1, 2, 3] + [3, 3, 3]`
c3 = a + 3  

# The most efficient one; 
# Changes the object inplace without creating a new one;
# Result is the same as for `c1` and `c2`.
a.assign_add(b)

print('TF method:\t', c1)
print('Plus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Merk

For inplace-metoden må det grunnleggende elementet være av muterbar Variable-type og ikke en konstant.

Subtraksjon

Vi har analoger av alle metoder for subtraksjon som for addisjon:

tf.add() endres til tf.subtract();
Pluss-tegnet + endres til minus-tegnet -;
.assign_add() endres til .assign_sub().


              123456789101112131415161718192021
            
import tensorflow as tf

# Create two tensors
a = tf.Variable([4, 5, 6])
b = tf.constant([1, 2, 3])

# Perform element-wise substraction
c1 = tf.subtract(a, b)  
c2 = a - b 

# Using broadcasting; 
# Same as `[4, 5, 6] - [3, 3, 3]`
c3 = a - 3  

# Inplace substraction
a.assign_sub(b)

print('TF method:\t', c1)
print('Minus sign:\t', c2)
print('Broadcasting:\t', c3)
print('Inplace change:\t', a)

Multiplikasjon (Elementvis)

For multiplikasjon finnes det ingen inplace-metode, siden matrise-multiplikasjon i seg selv resulterer i et nytt objekt. Andre operasjoner har imidlertid sine motparter:

tf.add() tilsvarer tf.multiply();
Pluss-tegnet + tilsvarer stjerne-tegnet *.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5, 6])

# Perform element-wise multiplication
c1 = tf.multiply(a, b)  
c2 = a * b 

# Using broadcasting; 
# Same as `[1, 2, 3] * [3, 3, 3]`
c3 = a * 3  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

Divisjon

Tilsvarende som for multiplikasjon, men med tf.divide() og /-tegnet.


              1234567891011121314151617
            
import tensorflow as tf

# Create two tensors
a = tf.constant([6, 8, 10])
b = tf.constant([2, 4, 5])

# Perform element-wise division
c1 = tf.divide(a, b)  
c2 = a / b 

# Using broadcasting; 
# Same as `[6, 8, 10] / [2, 2, 2]`
c3 = a / 2  

print('TF method:\t', c1)
print('Asterisk sign:\t', c2)
print('Broadcasting:\t', c3)

Broadcasting

Les mer

For en grundigere forståelse av broadcasting, kan du se den offisielle NumPy-dokumentasjonssiden om dette emnet.

Oppgave

Swipe to start coding

Gitt et sett med matriser, utfør følgende operasjoner:

In-place addisjon av en 2x2-matrise.
Subtraksjon ved bruk av tf.subtract()-metoden for en 2x3-matrise.
Broadcasting-multiplikasjon av en 3x2-matrise med en annen 1x2-matrise.
Broadcasting-divisjon mellom to matriser, én av størrelse 2x3 og den andre 2x1.

Merk

Merk deg broadcasting-adferden i multiplikasjons- og divisjonsoperasjonene. Ved multiplikasjon tilsvarer det å multiplisere [[1, 2], [3, 4], [5, 6]] med [[2, 4], [2, 4], [2, 4]]. Ved divisjon tilsvarer det å dele [[2, 4, 6], [4, 8, 12]] på [[2, 2, 2], [4, 4, 4]].

I det første tilfellet utvides matrisen langs 0-aksen (første parameter i shape), mens i det andre tilfellet utvides matrisen langs 1-aksen (andre parameter i shape). Dette avhenger av matrisenes form.

Løsning

Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 8

single

Grunnleggende Operasjoner: Aritmetikk

Aritmetiske operasjoner

Addisjon

Subtraksjon

Multiplikasjon (Elementvis)

Divisjon

Broadcasting

Løsning

Awesome!

Grunnleggende Operasjoner: Aritmetikk

Aritmetiske operasjoner

Addisjon

Subtraksjon

Multiplikasjon (Elementvis)

Divisjon

Broadcasting

Løsning