Tutorials/tensor

Tensor 是一种在深度学习领域中常用的数学工具，用于表示多维数组。它类似于 Python 中的 NumPy 库中的数组，但在深度学习中有着更为丰富的应用。

为什么使用 Tensor？

易于操作：Tensor 可以方便地进行矩阵运算，如加法、乘法、求导等。
高效的并行计算：Tensor 可以在多核处理器上并行计算，提高计算效率。
灵活的表示方式：Tensor 可以表示各种复杂的数据结构，如图像、音频等。

基本操作

创建 Tensor：使用 tf.constant() 函数可以创建一个 Tensor。

import tensorflow as tf

tensor = tf.constant([1, 2, 3])
print(tensor)

矩阵运算：使用 TensorFlow 提供的函数进行矩阵运算。

tensor1 = tf.constant([[1, 2], [3, 4]])
tensor2 = tf.constant([[2, 0], [1, 3]])

result = tf.matmul(tensor1, tensor2)
print(result)

梯度下降：TensorFlow 提供了自动求导功能，可以方便地进行梯度下降。

# 假设有一个简单的线性模型 y = W * x + b
W = tf.Variable([1.0])
b = tf.Variable([1.0])
x = tf.placeholder(tf.float32)
y = W * x + b

# 计算损失函数
loss = tf.reduce_mean(tf.square(y - x))

# 计算梯度
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

# 训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        sess.run(train_op, feed_dict={x: [1, 2, 3, 4]})
    print(sess.run(W))

Tutorials/tensor

为什么使用 Tensor？

基本操作

更多信息