Datatyper

I det här avsnittet utforskas begreppet datatyper i TensorFlow. Precis som programmeringsspråk kategoriserar siffror och text i typer som heltal, flyttal eller strängar, har tensorer i TensorFlow också specifika typer.

Tillgängliga datatyper i TensorFlow

TensorFlow stöder en mängd olika datatyper för att hantera olika typer av data och operationer. Några av de vanligaste typerna är:

tf.float16, tf.float32, tf.float64: flyttal där siffrorna efter decimaltecknet är viktiga. Siffran i namnet (som 16 i tf.float16) anger antalet bitar som används. tf.float32 används ofta eftersom den ger en bra balans mellan precision och beräkningshastighet;
tf.int8, tf.int16, tf.int32, tf.int64: heltalstyper, siffror utan decimaltecken. De kan vara både positiva och negativa;
tf.uint8, tf.uint16, tf.uint32, tf.uint64: 'u' står här för 'unsigned', vilket innebär att dessa heltal alltid är icke-negativa;
tf.bool: representerar booleska värden (True eller False);
tf.string: för textdata.

Observera

För heltalstyper innebär ett större tal i namnet endast ett bredare värdeintervall som kan lagras. Men för flyttalstyper indikerar ett högre tal i namnet även en högre beräkningsnoggrannhet.

Det finns fler datatyper tillgängliga i TensorFlow, men för nybörjare är det viktigt att först bekanta sig med dessa primära typer. För en komplett lista över datatyper som stöds av TensorFlow, se gärna denna specifika sida i TensorFlow-dokumentationen.

Ange datatyp vid skapande av tensor

När du initierar en tensor kan du ange dess typ med argumentet dtype:


              123456789101112
            
import tensorflow as tf

# Creating a tensor of type `float16`
tensor_float = tf.constant([1.2, 2.3, 3.4], dtype=tf.float16)

# Creating a tensor of type `int64`
tensor_int = tf.constant([1, 2, 3], dtype=tf.int64)

# Display tensors
print(tensor_float)
print('-' * 50)
print(tensor_int)

Notering

Många tensor-skapandefunktioner använder detta tillvägagångssätt. Det gäller för metoder som tf.Variable(), tf.zeros(), tf.ones(), tf.random.normal(), tf.random.uniform() och även tf.convert_to_tensor().

Konvertering mellan datatyper

Men vad händer om funktionen du använder inte tillåter direkt specifikation av datatyp? Eller kanske har du redan en tensor av en viss typ och behöver ändra den. I dessa fall behöver du omvandla tensorer från en datatyp till en annan. Detta är särskilt relevant eftersom vissa neurala nätverksoperationer eller lager ofta kräver indata av en viss typ, främst flyttal.

Du kan använda tf.cast() för detta:


              123456789101112
            
import tensorflow as tf

# Create a tensor
tensor_float = tf.constant([-1.2, 2.3, 3.8])

# Convert our `tensor_float` from `float32` to `int32`
tensor_int_converted = tf.cast(tensor_float, dtype=tf.int32)

# Display a tensor
print(tensor_float)
print('-' * 50)
print(tensor_int_converted)

Kom ihåg att när du konverterar från ett flyttal till ett heltal kommer TensorFlow att utföra en golvoperation, vilket innebär att decimaldelen tas bort. Så 3.8 blir 3, och -1.2 blir -1.

Notera

Var försiktig när du ändrar datatyper, särskilt när du byter till en typ med lägre precision. Du kan förlora information i processen.

Uppgift

Svep för att börja koda

Din uppgift är att skapa en tensor av en specifik datatyp och sedan konvertera den till en annan datatyp.

Skapa en tensor med namnet initial_tensor med formen (3, 3) och normalfördelade värden. Säkerställ att denna tensor har datatypen 64-bitars flyttal.
Omvandla initial_tensor till en tensor kallad converted_tensor med datatypen 16-bitars flyttal.

Lösning

Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 7

single

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal