Tensorflow.js 張量和變量

張量(Tensor)和變量（Variable）是TensorFlow.js中數(shù)據(jù)的主要表現(xiàn)形式，兩者不同之處在于張量是不可變的，而變量是可變的。

張量(Tensor)

TensorFlow.js中數(shù)據(jù)的中心單位是張量：一組數(shù)值形成一個(gè)或多個(gè)維度的數(shù)組。 張量實(shí)例具有定義數(shù)組形狀的形狀屬性。

Tensorflow.js中數(shù)據(jù)的主要表現(xiàn)形式就是tensor（張量）：由 一組數(shù)值形成一維或多維數(shù)組。一個(gè)Tensor實(shí)例有一個(gè)shape屬性來定義這一組數(shù)值如何組成張量,而最主要的Tensor實(shí)例的構(gòu)造函數(shù)就是 tf.tensor 函數(shù)，如下所示：

// 2x3 Tensor
const shape = [2, 3]; // 2 行, 3 列
const a = tf.tensor([1.0, 2.0, 3.0, 10.0, 20.0, 30.0], shape);
a.print(); // 打印張量值
// 輸出:    [[1 , 2 , 3 ],
//          [10, 20, 30]]

// shape也可以用下面的方式實(shí)現(xiàn):
const b = tf.tensor([[1.0, 2.0, 3.0], [10.0, 20.0, 30.0]]);
b.print();
// 輸出:    [[1 , 2 , 3 ],
//          [10, 20, 30]]

但是，為了構(gòu)造低秩張量，我們推薦使用下面的函數(shù)來增強(qiáng)代碼的可讀性：tf.scalar（零維）, tf.tensor1d（一維）, tf.tensor2d（二維）, tf.tensor3d（三維）、tf.tensor4d（四維）以及 tf.ones（值全是1）或者tf.zeros（值全是0） ，如下所示：

const a = tf.scalar(3.14);
a.print(); // 輸出零維張量

const b = tf.tensor2d([[2, 3, 4], [5, 6, 7]]);
b.print(); // 輸出二維張量

const c = tf.zeros([2, 3]);
c.print(); // 輸出2行3列的值全是0的張量

const d = tf.ones([3, 5]);
d.print(); // 輸出3行5列的值全是1的張量

在TensorFlow.js中，張量是不變的; 一旦創(chuàng)建你就不能改變它們的值。 但是，您可以對(duì)它們執(zhí)行操作來生成新的張量。

變量（Variable）

Variables變量是通過張量進(jìn)行初始化得到的。不像Tensor的值不可變，變量的值是可變的。你可以使用變量的assign方法分配一個(gè)新的tensor到這個(gè)變量上，這是變量就會(huì)改變：

const initialValues = tf.zeros([5]);
const biases = tf.variable(initialValues); // 初始化biases
biases.print(); // 輸出: [0, 0, 0, 0, 0]

const updatedValues = tf.tensor1d([0, 1, 0, 1, 0]);
biases.assign(updatedValues); // 更新 biases的值
biases.print(); // 輸出: [0, 1, 0, 1, 0]

如上所示，首先使用tf.zeros得到一個(gè)張量，然后利用這個(gè)張量初始化得到一個(gè)變量，接著我們就可以打印這個(gè)變量，并且通Object.prototype.toString.call(biases)方法可以判斷變量也是一個(gè)對(duì)象，接著，我們?cè)偕梢粋€(gè)張量，然后變量調(diào)用assign方法傳入這個(gè)張量，就可以得到一個(gè)新的變量了，如下：

由此我們可以得出一個(gè)結(jié)論：變量由張量生成，且張量不可變而變量可變。

以上就是Tensorflow.js 張量和變量的相關(guān)介紹，希望對(duì)大家有所幫助。