本文翻译自： 《Understanding static and dynamic shapes》， 如有侵权请联系删除， 仅限于学术交流， 请勿商用。 如有谬误， 请联系指出。 TensorFlow中的张量具有静态形状属性， 该属性在图形构造期间确定。 静态形状可能未指定。 例如， 我们可以定义一个形状张量[None， 128]： import tensorflow as tf a = tf.placeholder(tf.float32, [None, 128]) 这意味着第一个维度可以是任何大小， 并将在 Session.run() 期间动态确定。 您可以按如下方式查询Tensor的静态形状： static_shape = a.shape.as_list() # returns [None, 128] 要获得张量的动态形状， 可以调用 tf.shape 方法， 它返回一个给定张量代表的形状： dynamic_shape = tf.shape(a) ...
本文翻译自： 《Broadcasting the good and the ugly》， 如有侵权请联系删除， 仅限于学术交流， 请勿商用。 如有谬误， 请联系指出。 TensorFlow 支持广播元素操作。 通常， 当你想做加法或乘法的运算时， 你需要确保操作数的形状(shape)是匹配的， 例如： 你不能将一个形状为[3, 2]的张量和一个形状为[3, 4]的张量相加。 但是， 这里有一个特殊情况， 那就是当你的其中一个操作数是一个具有单独维度(singular dimension)的张量的时候， TF 会隐式地在它的单独维度方向填满(tile)， 以确保和另一个操作数的形状相匹配。 所以， 对一个[3, 2]的张量和一个[3, 1]的张量相加在 TF 中是合法的。 import tensorflow as tf a = tf.constant([ [1., 2.], [3., 4.] ]) b = tf.constant([ [1.], [2.] ])# c = a + tf.tile(b, [1, 2]) c = a + b 广播机制允许我们在隐式情况下进行填充（tile）， 这种操作可以使得我们的代码更加简洁， 并且更有效率地利用内存， 因为我们不需要储存填充操作的结果。 一个可以表现这个优势的应用场景就是在结合具有不同长度的特征向量的时候。 为了拼接具有不同长度的特征向量， 我们一般都先填充输入向量， 拼接这个结果然后进行之后的一系列非线性操作等。 这是各种神经网络架构的常见模式： ：...
本文翻译自： 《TensorFlow Basics》， 如有侵权请联系删除， 仅限于学术交流， 请勿商用。 如有谬误， 请联系指出。 TensorFlow 和其他数值计算库（如 NumPy）之间最显著的区别在于 TensorFlow 中的操作是基于符号运算的。 这是一个强大的概念， 它允许 TensorFlow 执行命令式库（如 NumPy）所不能做的所有事情（例如， 自动区分）。 但这也要付出更大的代价。 在我我试图揭秘 TensorFlow， 并提供一些指导方针和最佳实践， 以便更有效地使用 TensorFlow。 让我们从一个简单的例子开始， 我们要乘以两个随机矩阵。 首先， 我们看一个在 NumPy 完成的实施： import numpy as np x = np.random.normal(size=[10, 10]) y = np.random.normal(size=[10, 10]) z = np.dot(x, y) print(z) 现在我们在 TensorFlow 中执行完全相同的计算： ...