[TensorFlow系列-7]：TensorFlow基礎 - 張量的算術運算

 目錄

 第1章 Tensor運算概述

1.1 概述

1.3  “in place“運算 

1.4 Tensor的廣播機制

1.5 環境準備

1.6 算術運算概述：加、減、系數乘、系數除

第2章 加法運算：add

第3章 減法運算：subtract

第4章 乘法運算：multiply

第5章除法運算：divide

第6章 倒數運算 /

第7章 幂運算：power()

第8章 廣播機制

TensorFlow提供了大量的張量運算，基本上可以對标Numpy多元數組的運算，以支援對張量的各種複雜的運算。

這些操作運算中大多是對數組中每個元素執行相同的函數運算，并獲得每個元素函數運算的結果序列，這些序列生成一個新的同次元的數組。

https://tensorflow.google.cn/tutorials/quickstart/beginner?hl=zh-cn

 1.2 運算分類

（1）算術運算：加、減、系數乘、系數除

（2）函數運算：sin，cos

（3）取整運算：上取整、下取整

（4）統計運算：最大值、最小值、均值

（5）線性代數運算

NA

實作不同次元tensor的擴充運算

#環境準備
import numpy as np
import tensorflow as tf
print("hello world")
print("tensorflow version:", tf.__version__)      

Tensor算術函數包含簡單的加減乘除運算: add()，subtract()，multiply() 和 divide()。

算術運算後得到的結果依然是是相同次元的數組。

#代碼執行個體
a = tf.range(9)
print ('原資料a：')
print (a)
print ('\n')

b = tf.range(9)
print ('原資料b：')
print (b)
print ('\n')

print ('運算後資料：')
print (a+b)
print (tf.add(a,b))
#print (a.add(b))   #不支援
print ('\n')

print (a)
print ('\n')
      

輸出結果為：

原資料a：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)


原資料b：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)


運算後資料：
tf.Tensor([ 0  2  4  6  8 10 12 14 16], shape=(9,), dtype=int32)
tf.Tensor([ 0  2  4  6  8 10 12 14 16], shape=(9,), dtype=int32)


tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)      

#代碼執行個體

a = tf.range(1,10)
print ('原資料a：')
print (a)
print ('\n')

b = tf.range(0,9)
print ('原資料b：')
print (b)
print ('\n')

print ('運算後資料：')
print (a-b)
print (tf.subtract(a,b))
#print (a.subtract(b)) 不支援
print ('\n')

print (a)
print ('\n')
      

#輸出結果

原資料a：
tf.Tensor([1 2 3 4 5 6 7 8 9], shape=(9,), dtype=int32)


原資料b：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)


運算後資料：
tf.Tensor([1 1 1 1 1 1 1 1 1], shape=(9,), dtype=int32)
tf.Tensor([1 1 1 1 1 1 1 1 1], shape=(9,), dtype=int32)


tf.Tensor([1 2 3 4 5 6 7 8 9], shape=(9,), dtype=int32)      

#代碼執行個體

a = tf.constant([2,4,6,8,10,12])
print ('原資料a：')
print (a)
print ('\n')

b = tf.constant([2,4,6,8,10,12])
print ('原資料b：')
print (b)
print ('\n')

print ('運算後資料：')
print (a*b)
print (tf.multiply(a,b))
# print (a.multiply(b)) #不支援
print ('\n')

print (a)
print ('\n')
      

#輸出結果

原資料a：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


原資料b：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


運算後資料：
tf.Tensor([  4  16  36  64 100 144], shape=(6,), dtype=int32)
tf.Tensor([  4  16  36  64 100 144], shape=(6,), dtype=int32)


tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)
      

#代碼執行個體

a = tf.constant([2,4,6,8,10,12])
print ('原資料a：')
print (a)
print ('\n')

b = tf.constant([2,4,6,8,10,12])
print ('原資料b：')
print (b)
print ('\n')

print ('運算後資料：')
print (a/b)
print (tf.divide(a,b))
# print (a.divide(b)) # 不支援
print ('\n')

print (a)
print ('\n')
      

#輸出結果

原資料a：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


原資料b：
tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)


運算後資料：
tf.Tensor([1. 1. 1. 1. 1. 1.], shape=(6,), dtype=float64)
tf.Tensor([1. 1. 1. 1. 1. 1.], shape=(6,), dtype=float64)


tf.Tensor([ 2  4  6  8 10 12], shape=(6,), dtype=int32)
      

reciprocal() 函數傳回參數逐元素的倒數。如 1/4 倒數為 4/1。

#執行個體

a = tf.constant([2,4,5,8,10,20])
print("原資料a")
print(a)

#導數運算
print("運算資料")
print(1/a)
# print(tf.reciprocal(a)) #不支援
# print(a.reciprocal()) # 不支援

print("原資料")
print (a)      

#輸出結果為：

原資料a
tf.Tensor([ 2  4  5  8 10 20], shape=(6,), dtype=int32)
運算資料
tf.Tensor([0.5   0.25  0.2   0.125 0.1   0.05 ], shape=(6,), dtype=float64)
原資料
tf.Tensor([ 2  4  5  8 10 20], shape=(6,), dtype=int32)      

power() 函數将第一個輸入數組中的元素作為底數，計算它與第二個輸入數組中相應元素的幂。

#執行個體

a = tf.constant([10,10,10,10,10])
b = tf.constant([1,2,3,4,5])
print("原資料a")
print(a)
print("原資料b")
print(b)

#導數運算
print("運算後資料")
#print(a^b)
print(tf.pow(a,b))
# print(a.pow(b))  #不支援

print("原資料a")
print (a)      

#輸出結果為：

原資料a
tf.Tensor([10 10 10 10 10], shape=(5,), dtype=int32)
原資料b
tf.Tensor([1 2 3 4 5], shape=(5,), dtype=int32)
運算後資料
tf.Tensor([    10    100   1000  10000 100000], shape=(5,), dtype=int32)
原資料a
tf.Tensor([10 10 10 10 10], shape=(5,), dtype=int32)      

a = tf.range(9)
print ('原資料：')
print (a)

b = tf.reshape(a, [3,3])
print ('\n第一個數組：')
print (b)

print ('\n第二個數組：')
c = np.array([10,10,10])  
print (c)

print ('\n兩個數組相加：')
print (np.add(b,c))      

輸出結果：

原資料：
tf.Tensor([0 1 2 3 4 5 6 7 8], shape=(9,), dtype=int32)

第一個數組：
tf.Tensor(
[[0 1 2]
 [3 4 5]
 [6 7 8]], shape=(3, 3), dtype=int32)

第二個數組：
[10 10 10]

兩個數組相加：
[[10 11 12]
 [13 14 15]
 [16 17 18]]