tf.Tensor

tf.Tensor представляет собой многомерный массив элементов.

Просмотреть псевдонимы

Основные псевдонимы

tf.experimental.numpy.ndarray

Совместимые псевдонимы для миграции

Подробнее см. в руководстве по миграции.

tf.compat.v1.Tensor

Все элементы имеют один известный тип данных.

При написании программы TensorFlow основным объектом, с которым выполняются операции и который передается между компонентами, является tf.Tensor.

tf.Tensor обладает следующими свойствами:

один тип данных (например, float32, int32 или string)
форма

TensorFlow поддерживает немедленное выполнение и выполнение графа. При немедленном выполнении операции вычисляются сразу. При выполнении графа строится вычислительный граф для последующего вычисления.

По умолчанию TensorFlow использует немедленное выполнение. В приведенном ниже примере результаты умножения матриц вычисляются сразу.

# Compute some values using a Tensor
c = tf.constant([[1.0, 2.0], [3.0, 4.0]])
d = tf.constant([[1.0, 1.0], [0.0, 1.0]])
e = tf.matmul(c, d)
print(e)
tf.Tensor(
[[1. 3.]
 [3. 7.]], shape=(2, 2), dtype=float32)

Обратите внимание, что при немедленном выполнении может выясниться, что ваши Tensors на самом деле имеют тип EagerTensor. Это внутренняя деталь реализации, но она предоставляет доступ к полезной функции numpy:

type(e)
<class '...ops.EagerTensor'>
print(e.numpy())
  [[1. 3.]
   [3. 7.]]

В TensorFlow tf.function часто используются для определения выполнения графа.

Форма тензора (то есть ранг тензора и размерность каждой оси) не всегда может быть известна полностью. В определениях tf.function форма может быть известна лишь частично.

Большинство операций возвращают тензоры с полностью известной формой, если формы их входных данных также известны полностью. Однако в некоторых случаях форму тензора можно определить только во время выполнения.

Доступен ряд специализированных тензоров: см. tf.Variable, tf.constant, tf.placeholder, tf.sparse.SparseTensor и tf.RaggedTensor.

a = np.array([1, 2, 3])
b = tf.constant(a)
a[0] = 4
print(b)  # tf.Tensor([4 2 3], shape=(3,), dtype=int64)

Примечание: это деталь реализации, которая может измениться; пользователям не следует полагаться на такое поведение.

Подробнее о тензорах см. в руководстве.

Атрибуты
`dtype`	`DType` элементов в этом тензоре.
`name`
`ndim`
`shape`	Возвращает `tf.TensorShape`, представляющий форму этого тензора. t = tf.constant([1,2,3,4,5]) t.shape TensorShape([5]) `tf.Tensor.shape` эквивалентен `tf.Tensor.get_shape()`. В определении `tf.function` или при создании модели с помощью `tf.keras.Input` они возвращают форму тензора на этапе построения, которая может быть известна лишь частично. `tf.TensorShape` не является тензором. Используйте `tf.shape(t)`, чтобы получить тензор, содержащий форму, вычисленную во время выполнения. Подробные сведения и примеры см. в разделах `tf.Tensor.get_shape()` и `tf.TensorShape`.

Методы

`eval`

Посмотреть исходный код

eval(
    feed_dict=None, session=None
)

Вычисляет этот тензор в Session.

Примечание: Если вы не используете библиотеки compat.v1, эта функция вам не понадобится (как и feed_dict или Session). При немедленном выполнении (или внутри tf.function) вызывать eval не нужно.

Вызов этого метода выполнит все предшествующие операции, которые формируют входные данные, необходимые для операции, создающей этот тензор.

Примечание: Перед вызовом Tensor.eval() его граф должен быть запущен в сеансе, а сеанс по умолчанию должен быть доступен либо session необходимо указать явно.

Аргументы
`feed_dict`	Словарь, сопоставляющий объекты `Tensor` со значениями для подачи. Описание допустимых значений для подачи см. в `tf.Session.run`.
`session`	(Необязательно.) `Session`, который будет использоваться для вычисления этого тензора. Если он не указан, используется сеанс по умолчанию.

Возвращает
Массив NumPy, соответствующий значению этого тензора.

`experimental_ref`

Посмотреть исходный код

experimental_ref()

УСТАРЕВШАЯ ФУНКЦИЯ

`get_shape`

Посмотреть исходный код

get_shape() -> tf.TensorShape

Возвращает tf.TensorShape, представляющий форму этого тензора.

При немедленном выполнении форма всегда известна полностью.

a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(a.shape)
(2, 3)

tf.Tensor.get_shape() эквивалентен tf.Tensor.shape.

При выполнении в tf.function или создании модели с помощью tf.keras.Input функция Tensor.shape может возвращать частичную форму (включая None для неизвестных измерений). Подробнее см. в разделе tf.TensorShape.

inputs = tf.keras.Input(shape = [10])
# Unknown batch size
print(inputs.shape)
(None, 10)

Форма вычисляется с помощью функций вывода формы, зарегистрированных для каждой tf.Operation.

Возвращаемое значение tf.TensorShape определяется во время построения, без выполнения базового ядра. Это не tf.Tensor. Если вам нужен тензор формы, преобразуйте tf.TensorShape в tf.constant или используйте функцию tf.shape(tensor), которая возвращает форму тензора во время выполнения.

Это полезно для отладки и раннего обнаружения ошибок. Например, при трассировке tf.function операции не выполняются, и формы могут быть неизвестны (подробности см. в руководстве по Concrete Functions).

@tf.function
def my_matmul(a, b):
  result = a@b
  # the `print` executes during tracing.
  print("Result shape: ", result.shape)
  return result

Функции вывода формы распространяют формы настолько, насколько это возможно:

f = my_matmul.get_concrete_function(
  tf.TensorSpec([None,3]),
  tf.TensorSpec([3,5]))
Result shape: (None, 5)

Трассировка может завершиться ошибкой, если обнаружено несоответствие формы:

cf = my_matmul.get_concrete_function(
  tf.TensorSpec([None,3]),
  tf.TensorSpec([4,5]))
Traceback (most recent call last):

ValueError: Dimensions must be equal, but are 3 and 4 for 'matmul' (op:
'MatMul') with input shapes: [?,3], [4,5].

В некоторых случаях выведенная форма может содержать неизвестные измерения. Если вызывающий код располагает дополнительной информацией о значениях этих измерений, для дополнения выведенной формы можно использовать tf.ensure_shape или Tensor.set_shape().

@tf.function
def my_fun(a):
  a = tf.ensure_shape(a, [5, 5])
  # the `print` executes during tracing.
  print("Result shape: ", a.shape)
  return a

cf = my_fun.get_concrete_function(
  tf.TensorSpec([None, None]))
Result shape: (5, 5)

Возвращает
`tf.TensorShape`, представляющий форму этого тензора.

`ref`

Посмотреть исходный код

ref()

Возвращает хешируемый объект-ссылку на этот тензор.

Основное назначение этого API — добавлять тензоры в множество или словарь. Мы не можем добавлять тензоры в множество или словарь, поскольку начиная с TensorFlow 2.0 tensor.__hash__() больше недоступен.

Следующий код начиная с версии 2.0 вызовет исключение:

x = tf.constant(5)
y = tf.constant(10)
z = tf.constant(10)
tensor_set = {x, y, z}
Traceback (most recent call last):

TypeError: Tensor is unhashable. Instead, use tensor.ref() as the key.
tensor_dict = {x: 'five', y: 'ten'}
Traceback (most recent call last):

TypeError: Tensor is unhashable. Instead, use tensor.ref() as the key.

Вместо этого можно использовать tensor.ref().

tensor_set = {x.ref(), y.ref(), z.ref()}
x.ref() in tensor_set
True
tensor_dict = {x.ref(): 'five', y.ref(): 'ten', z.ref(): 'ten'}
tensor_dict[y.ref()]
'ten'

Кроме того, объект-ссылка предоставляет функцию .deref(), возвращающую исходный тензор.

x = tf.constant(5)
x.ref().deref()
<tf.Tensor: shape=(), dtype=int32, numpy=5>

`set_shape`

Посмотреть исходный код

set_shape(
    shape
)

Обновляет форму этого тензора.

Примечание: Рекомендуется использовать tf.ensure_shape вместо Tensor.set_shape, так как tf.ensure_shape лучше выявляет ошибки программирования и позволяет создавать гарантии для оптимизации компилятора.

При немедленном выполнении этот метод выполняет проверку формы. В данном случае формы совпадают:

t = tf.constant([[1,2,3]])
t.set_shape([1, 3])

Передача None в новой форме допускает любое значение для этой оси:

t.set_shape([1,None])

Если передана несовместимая форма, возникает ошибка.

t.set_shape([1,5])
Traceback (most recent call last):

ValueError: Tensor's shape (1, 3) is not compatible with supplied
shape [1, 5]

При выполнении в tf.function или создании модели с помощью tf.keras.Input функция Tensor.set_shape объединяет заданный shape с текущей формой этого тензора и задает тензору объединенное значение формы (подробности см. в разделе tf.TensorShape.merge_with):

t = tf.keras.Input(shape=[None, None, 3])
print(t.shape)
(None, None, None, 3)

Измерения, заданные как None, не обновляются:

t.set_shape([None, 224, 224, None])
print(t.shape)
(None, 224, 224, 3)

Основное применение этого метода — предоставление дополнительной информации о форме, которую нельзя вывести только из графа.

Например, если известно, что все изображения в наборе данных имеют форму [28,28,3], ее можно задать с помощью tf.set_shape:

@tf.function
def load_image(filename):
  raw = tf.io.read_file(filename)
  image = tf.image.decode_png(raw, channels=3)
  # the `print` executes during tracing.
  print("Initial shape: ", image.shape)
  image.set_shape([28, 28, 3])
  print("Final shape: ", image.shape)
  return image

Выполните трассировку функции; подробности см. в руководстве по Concrete Functions.

cf = load_image.get_concrete_function(
    tf.TensorSpec([], dtype=tf.string))
Initial shape:  (None, None, 3)
Final shape: (28, 28, 3)

Аналогично функция tf.io.parse_tensor может возвращать тензор с любой формой; может быть неизвестен даже tf.rank. Если известно, что все сериализованные тензоры будут двумерными, задайте это с помощью set_shape:

@tf.function
def my_parse(string_tensor):
  result = tf.io.parse_tensor(string_tensor, out_type=tf.float32)
  # the `print` executes during tracing.
  print("Initial shape: ", result.shape)
  result.set_shape([None, None])
  print("Final shape: ", result.shape)
  return result

Выполните трассировку функции

concrete_parse = my_parse.get_concrete_function(
    tf.TensorSpec([], dtype=tf.string))
Initial shape:  <unknown>
Final shape:  (None, None)

Проверьте, что все работает:

t = tf.ones([5,3], dtype=tf.float32)
serialized = tf.io.serialize_tensor(t)
print(serialized.dtype)
<dtype: 'string'>
print(serialized.shape)
()
t2 = concrete_parse(serialized)
print(t2.shape)
(5, 3)

# Serialize a rank-3 tensor
t = tf.ones([5,5,5], dtype=tf.float32)
serialized = tf.io.serialize_tensor(t)
# The function still runs, even though it `set_shape([None,None])`
t2 = concrete_parse(serialized)
print(t2.shape)
(5, 5, 5)

Аргументы
`shape`	`TensorShape`, представляющий форму этого тензора, `TensorShapeProto`, список, кортеж или None.

Вызывает исключение
`ValueError`	Если `shape` несовместим с текущей формой этого тензора.

`abs`

Посмотреть исходный код

__abs__(
    name=None
)

`add`

Посмотреть исходный код

__add__(
    y
)

`and`

Посмотреть исходный код

__and__(
    y
)

`array`

Посмотреть исходный код

__array__(
    dtype=None
)

`bool`

Посмотреть исходный код

__bool__()

Вспомогательный метод, который предотвращает использование тензора в качестве значения bool в Python.

Это переопределение вызывает TypeError, когда пользователь случайно использует Tensor как логическое значение (чаще всего в операторе if или while) в коде, не преобразованном AutoGraph. Например:

if tf.constant(True):  # Will raise.
  # ...

if tf.constant(5) < tf.constant(7):  # Will raise.
  # ...

Вызывает исключение
`TypeError`.

`div`

Посмотреть исходный код

__div__(
    y
)

`eq`

Посмотреть исходный код

__eq__(
    other
)

`floordiv`

Посмотреть исходный код

__floordiv__(
    y
)

`ge`

__ge__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Поэлементно возвращает истинность выражения (x >= y).

Примечание: math.greater_equal поддерживает широковещательное распространение. Подробнее о широковещательном распространении см. здесь

Пример:

x = tf.constant([5, 4, 6, 7])
y = tf.constant([5, 2, 5, 10])
tf.math.greater_equal(x, y) ==> [True, True, True, False]

x = tf.constant([5, 4, 6, 7])
y = tf.constant([5])
tf.math.greater_equal(x, y) ==> [True, False, True, True]

Аргументы
`x`	`Tensor`. Должен иметь один из следующих типов: `float32`, `float64`, `int32`, `uint8`, `int16`, `int8`, `int64`, `bfloat16`, `uint16`, `half`, `uint32`, `uint64`.
`y`	`Tensor`. Должен иметь тот же тип, что и `x`.
`name`	Имя операции (необязательно).

Возвращает
`Tensor` типа `bool`.

`getitem`

Посмотреть исходный код

__getitem__(
    slice_spec, var=None
)

Переопределение для Tensor.getitem.

Эта операция извлекает из тензора указанную область. Обозначение аналогично NumPy, но в настоящее время поддерживается только базовая индексация. Это означает, что сейчас нельзя использовать в качестве входных данных тензор, не являющийся скаляром.

Несколько полезных примеров:

# Strip leading and trailing 2 elements
foo = tf.constant([1,2,3,4,5,6])
print(foo[2:-2])  # => [3,4]

# Skip every other row and reverse the order of the columns
foo = tf.constant([[1,2,3], [4,5,6], [7,8,9]])
print(foo[::2,::-1])  # => [[3,2,1], [9,8,7]]

# Use scalar tensors as indices on both dimensions
print(foo[tf.constant(0), tf.constant(2)])  # => 3

# Insert another dimension
foo = tf.constant([[1,2,3], [4,5,6], [7,8,9]])
print(foo[tf.newaxis, :, :]) # => [[[1,2,3], [4,5,6], [7,8,9]]]
print(foo[:, tf.newaxis, :]) # => [[[1,2,3]], [[4,5,6]], [[7,8,9]]]
print(foo[:, :, tf.newaxis]) # => [[[1],[2],[3]], [[4],[5],[6]],
[[7],[8],[9]]]

# Ellipses (3 equivalent operations)
foo = tf.constant([[1,2,3], [4,5,6], [7,8,9]])
print(foo[tf.newaxis, :, :])  # => [[[1,2,3], [4,5,6], [7,8,9]]]
print(foo[tf.newaxis, ...])  # => [[[1,2,3], [4,5,6], [7,8,9]]]
print(foo[tf.newaxis])  # => [[[1,2,3], [4,5,6], [7,8,9]]]

# Masks
foo = tf.constant([[1,2,3], [4,5,6], [7,8,9]])
print(foo[foo > 2])  # => [3, 4, 5, 6, 7, 8, 9]

Примечания
`tf.newaxis` работает так же, `None`, как и в NumPy. В конец `slice_spec` добавляется неявное многоточие. Расширенная индексация NumPy в настоящее время не поддерживается.

Назначение в API

Назначение в API
Этот метод представлен в API TensorFlow, чтобы разработчики библиотек могли регистрировать диспетчеризацию для `Tensor.getitem` и обеспечивать поддержку пользовательских составных тензоров и других пользовательских объектов. Этот символ API не предназначен для непосредственного вызова пользователями, но отображается в сгенерированной документации TensorFlow.

Этот метод представлен в API TensorFlow, чтобы разработчики библиотек могли регистрировать диспетчеризацию для Tensor.getitem и обеспечивать поддержку пользовательских составных тензоров и других пользовательских объектов.

Этот символ API не предназначен для непосредственного вызова пользователями, но отображается в сгенерированной документации TensorFlow.

Аргументы
`tensor`	Объект tensor.Tensor.
`slice_spec`	Аргументы для Tensor.getitem.
`var`	При присваивании срезу переменной — объект Variable, срез которого нужно получить (то есть тензор является доступным только для чтения представлением этой переменной).

Возвращает
Соответствующий срез «tensor», заданный параметром «slice_spec».

Вызывает исключение
`ValueError`	Если размер диапазона среза отрицателен.
`TypeError`	Если индексы среза не являются целыми числами, срезом, многоточием, tf.newaxis или скалярными тензорами int32/int64.

`gt`

__gt__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Поэлементно возвращает истинность выражения (x > y).

Примечание: math.greater поддерживает широковещательное распространение. Подробнее о широковещательном распространении см. здесь

Пример:

x = tf.constant([5, 4, 6])
y = tf.constant([5, 2, 5])
tf.math.greater(x, y) ==> [False, True, True]

x = tf.constant([5, 4, 6])
y = tf.constant([5])
tf.math.greater(x, y) ==> [False, False, True]

Аргументы
`x`	`Tensor`. Должен иметь один из следующих типов: `float32`, `float64`, `int32`, `uint8`, `int16`, `int8`, `int64`, `bfloat16`, `uint16`, `half`, `uint32`, `uint64`.
`y`	`Tensor`. Должен иметь тот же тип, что и `x`.
`name`	Имя операции (необязательно).

Возвращает
`Tensor` типа `bool`.

`invert`

Посмотреть исходный код

__invert__(
    name=None
)

`iter`

Посмотреть исходный код

__iter__()

`le`

__le__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Поэлементно возвращает истинность выражения (x <= y).

Примечание: math.less_equal поддерживает широковещательное распространение. Подробнее о широковещательном распространении см. здесь

Пример:

x = tf.constant([5, 4, 6])
y = tf.constant([5])
tf.math.less_equal(x, y) ==> [True, True, False]

x = tf.constant([5, 4, 6])
y = tf.constant([5, 6, 6])
tf.math.less_equal(x, y) ==> [True, True, True]

Аргументы
`x`	`Tensor`. Должен иметь один из следующих типов: `float32`, `float64`, `int32`, `uint8`, `int16`, `int8`, `int64`, `bfloat16`, `uint16`, `half`, `uint32`, `uint64`.
`y`	`Tensor`. Должен иметь тот же тип, что и `x`.
`name`	Имя операции (необязательно).

Возвращает
`Tensor` типа `bool`.

`len`

Посмотреть исходный код

__len__()

`lt`

__lt__(
    y: Annotated[Any, tf.raw_ops.Any],
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Поэлементно возвращает истинность выражения (x < y).

Примечание: math.less поддерживает широковещательное распространение. Подробнее о широковещательном распространении см. здесь

Пример:

x = tf.constant([5, 4, 6])
y = tf.constant([5])
tf.math.less(x, y) ==> [False, True, False]

x = tf.constant([5, 4, 6])
y = tf.constant([5, 6, 7])
tf.math.less(x, y) ==> [False, True, True]

Аргументы
`x`	`Tensor`. Должен иметь один из следующих типов: `float32`, `float64`, `int32`, `uint8`, `int16`, `int8`, `int64`, `bfloat16`, `uint16`, `half`, `uint32`, `uint64`.
`y`	`Tensor`. Должен иметь тот же тип, что и `x`.
`name`	Имя операции (необязательно).

Возвращает
`Tensor` типа `bool`.

`matmul`

Посмотреть исходный код

__matmul__(
    y
)

`mod`

Просмотреть исходный код

__mod__(
    y
)

`mul`

Просмотреть исходный код

__mul__(
    y
)

`ne`

Просмотреть исходный код

__ne__(
    other
)

`neg`

__neg__(
    name=None
) -> Annotated[Any, tf.raw_ops.Any]

Вычисляет отрицательное значение для каждого элемента.

То есть \(y = -x\).

Аргументы
`x`	Объект `Tensor`. Должен иметь один из следующих типов: `bfloat16`, `half`, `float32`, `float64`, `int8`, `int16`, `int32`, `int64`, `complex64`, `complex128`.
`name`	Имя операции (необязательно).

Возвращает
Объект `Tensor`. Имеет тот же тип, что и `x`. Если `x` — это `SparseTensor`, возвращает `SparseTensor(x.indices, tf.math.negative(x.values, ...), x.dense_shape)`

`nonzero`

Просмотреть исходный код

__nonzero__()

Вспомогательный метод, не позволяющий использовать тензор в качестве bool Python.

Это аналог __bool__() выше для Python 2.x.

Вызывает исключение
`TypeError`.

`or`

Просмотреть исходный код

__or__(
    y
)

`pow`

Просмотреть исходный код

__pow__(
    y
)

`radd`

Просмотреть исходный код

__radd__(
    x
)

`rand`

Просмотреть исходный код

__rand__(
    x
)

`rdiv`

Просмотреть исходный код

__rdiv__(
    x
)

`rfloordiv`

Просмотреть исходный код

__rfloordiv__(
    x
)

`rmatmul`

Просмотреть исходный код

__rmatmul__(
    x
)

`rmod`

Просмотреть исходный код

__rmod__(
    x
)

`rmul`

Просмотреть исходный код

__rmul__(
    x
)

`ror`

Просмотреть исходный код

__ror__(
    x
)

`rpow`

Просмотреть исходный код

__rpow__(
    x
)

`rsub`

Просмотреть исходный код

__rsub__(
    x
)

`rtruediv`

Просмотреть исходный код

__rtruediv__(
    x
)

`rxor`

Просмотреть исходный код

__rxor__(
    x
)

`sub`

Просмотреть исходный код

__sub__(
    y
)

`truediv`

Просмотреть исходный код

__truediv__(
    y
)

`xor`

Просмотреть исходный код

__xor__(
    y
)

Переменные класса
OVERLOADABLE_OPERATORS	{ '__abs__', '__add__', '__and__', '__div__', '__eq__', '__floordiv__', '__ge__', '__getitem__', '__gt__', '__invert__', '__le__', '__lt__', '__matmul__', '__mod__', '__mul__', '__ne__', '__neg__', '__or__', '__pow__', '__radd__', '__rand__', '__rdiv__', '__rfloordiv__', '__rmatmul__', '__rmod__', '__rmul__', '__ror__', '__rpow__', '__rsub__', '__rtruediv__', '__rxor__', '__sub__', '__truediv__', '__xor__' }

Переменные класса

OVERLOADABLE_OPERATORS

{
 '__abs__',
 '__add__',
 '__and__',
 '__div__',
 '__eq__',
 '__floordiv__',
 '__ge__',
 '__getitem__',
 '__gt__',
 '__invert__',
 '__le__',
 '__lt__',
 '__matmul__',
 '__mod__',
 '__mul__',
 '__ne__',
 '__neg__',
 '__or__',
 '__pow__',
 '__radd__',
 '__rand__',
 '__rdiv__',
 '__rfloordiv__',
 '__rmatmul__',
 '__rmod__',
 '__rmul__',
 '__ror__',
 '__rpow__',
 '__rsub__',
 '__rtruediv__',
 '__rxor__',
 '__sub__',
 '__truediv__',
 '__xor__'
}

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/Tensor