TensorFlow Developer Certificate Guide: Efficiently tackle deep learning and ML problems to ace the Developer Certificate exam
Resource:
- https://github.com/PacktPublishing/TensorFlow-Developer-Certificate-Guide
- https://dev.mrdbourke.com/tensorflow-deep-learning/
- scalar:
scalar = tf.constant(7)
- vector:
vector = tf.constant([10, 10])
- matrix:
matrix = tf.constant([[10, 7],
[7, 10]])- tensor (n-dim):
tensor = tf.constant([[[1, 2, 3],
[4, 5, 6]],
[[7, 8, 9],
[10, 11, 12]],
[[13, 14, 15],
[16, 17, 18]]])- variable
# Create variable
variable = tf.Variable([1, 2]) # [1, 2]
# get value
variable[0] # 1
# assign value
variable[0].assign(2) # [2, 2]- Creating random tensor
generator = tf.random.Generator.from_seed(42)
random = generator.normal([2, 3]) # shape (2, 3)- Shuffle a tensor
tensor = tf.constant([[1, 2], [3, 4], [5, 6]])
# array([[1, 2],
# [3, 4],
# [5, 6]], dtype=int32)>
shuffle_tensor = tf.random.shuffle(tensor, seed=42)
# array([[5, 6],
# [3, 4],
# [1, 2]], dtype=int32)>- The other way to make tensor
# Tensor ones
tf.ones(shape=(2, 3))
# array([[1., 1., 1.],
# [1., 1., 1.]], dtype=float32)>
# Tensor zeros
tf.zeros(shape=(2, 3))
# array([[0., 0., 0.],
# [0., 0., 0.]], dtype=float32)>- Getting infomation from tensor (shape, rank, size)
rank_4_tensor = tf.zeros([2, 3, 4, 5])
rank_4_tensor.shape # TensorShape([2, 3, 4, 5])
rank_4_tensor.ndim # 4 (rank)
tf.size(rank_4_tensor) # <tf.Tensor: shape=(), dtype=int32, numpy=120>
rank_4_tensor.dtype # tf.float32
# Elements along axis 0 of tensor
rank_4_tensor.shape[0] # 2
# Elements along last axis of tensor
rank_4_tensor.shape[-1] # 5
# Total number of elements (2*3*4*5)
tf.size(rank_4_tensor).numpy() # 120
# You can also index tensors just like Python lists.
rank_4_tensor[:2, :2, :2, :2]
# Get the last item of each row
rank_4_tensor[:, -1]
# Add an extra dimension (to the end)
rank_3_tensor = rank_2_tensor[..., tf.newaxis] # in Python "..." means "all dimensions prior to"
# of
tf.expand_dims(rank_3_tensor, axis=-1)- Basic Operator
tensor = tf.constant([[1, 2], [3, 4]])
# array([[1, 2],
# [3, 4]], dtype=int32)>
tensor + 10
# array([[11, 12],
# [13, 14]], dtype=int32)>
tensor * 10
# array([[10, 20],
# [30, 40]], dtype=int32)>
# Use the tensorflow function equivalent of the '*' (multiply) operator
tf.multiply(tensor, 10)
# array([[10, 20],
# [30, 40]], dtype=int32)>
- Matrix Multiplication
tf.matmul(tensor, tensor)
# array([[ 7, 10],
# [15, 22]], dtype=int32)>
tensor @ tensor
# array([[ 7, 10],
# [15, 22]], dtype=int32)>tf.reshape(tensor, shape=(axb))
Hàm reshape trong TensorFlow được sử dụng để thay đổi hình dạng của một tensor, nghĩa là bạn có thể điều chỉnh kích thước của tensor mà không làm thay đổi dữ liệu bên trong nó.
tensor = tf.constant([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
tf.reshape(tensor, shape=(4, 3))
# <tf.Tensor: shape=(4, 3), dtype=int32, numpy=
# array([[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9],
# [10, 11, 12]], dtype=int32)>tf.transpose(tensor)
Hàm transpose trong TensorFlow được sử dụng để hoán đổi chiều của tensor
tf.transpose(tensor)
# <tf.Tensor: shape=(4, 3), dtype=int32, numpy=
# array([[ 1, 5, 9],
# [ 2, 6, 10],
# [ 3, 7, 11],
# [ 4, 8, 12]], dtype=int32)>tf.matmul(tensorA, tensorB)vstf.tensordot(tensorA, tensorB, axes)
tf.matmul:
Mục đích chính: Dùng để thực hiện phép nhân ma trận giữa hai tensor.
Cách sử dụng: tf.matmul(a, b), trong đó a và b là hai tensor có thể là ma trận hoặc đa chiều tensor.
Phù hợp cho: Các phép nhân ma trận truyền thống và các phép toán tuyến tính khác.
tf.tensordot:
Mục đích chính: Dùng để thực hiện các phép nhân tensor và giảm chiều của tensor đầu vào thông qua việc chỉ định các chiều cần được nhân.
Cách sử dụng: tf.tensordot(a, b, axes), trong đó a và b là hai tensor cần nhân, và axes là một tuple chứa các cặp chiều tương ứng cần nhân.
Phù hợp cho: Các phép nhân tensor linh hoạt, giảm chiều tensor.
a = tf.constant([[1, 2], [3, 4]])
b = tf.constant([[5, 6], [7, 8]])
tf.tensordot(a, b, axes=1)
# array([[19, 22],
# [43, 50]], dtype=int32)>Tóm lại, tf.matmul được thiết kế chủ yếu cho các phép nhân ma trận, trong khi tf.tensordot có tính linh hoạt cao hơn, cho phép thực hiện các phép nhân tensor với việc tùy chọn giảm chiều.
Cả hai đều có vai trò quan trọng trong xử lý tensor và thực hiện các phép toán tuyến tính trong TensorFlow.
- Change the data type of a tensor
# Define a tensor with data type
tensor = tf.constant([[1, 2], [3, 4]], dtype=tf.float16)
# Change the data type
tensor = tf.cast(tensor, dtype=tf.float32)- Getting the absolute value
tensor = tf.constant([-1, -2])
tf.abs(tensor) # [1, 2]- min, max, mean, sum (aggregation)
E = tf.constant(np.random.randint(low=0, high=100, size=20))
# array([24, 49, 79, 61, 20, 2, 75, 87, 34, 51, 81, 59, 8, 28, 25, 11, 83, 87, 45, 55])>
tf.reduce_min(E)
# <tf.Tensor: shape=(), dtype=int64, numpy=2>
tf.reduce_max(E)
# <tf.Tensor: shape=(), dtype=int64, numpy=87>
tf.reduce_mean(E)
# <tf.Tensor: shape=(), dtype=int64, numpy=48>
tf.reduce_sum(E)
# <tf.Tensor: shape=(), dtype=int64, numpy=964>
# Finding the positional maximum and minimum
tf.argmax(E)
# <tf.Tensor: shape=(), dtype=int64, numpy=7>
tf.argmin(E)
# <tf.Tensor: shape=(), dtype=int64, numpy=5>- Squeezing a tensor (removing all single dimensions)
G = tf.constant(np.random.randint(0, 100, 50), shape=(1, 1, 1, 1, 50))
# array([[[[[23, 73, 56, 71, 66, 97, 13, 61, 94, 37, 29, 81, 81, 74, 56,
# 40, 72, 21, 40, 60, 6, 85, 52, 86, 6, 61, 58, 70, 98, 1,
# 55, 1, 22, 70, 17, 42, 90, 63, 20, 59, 22, 49, 66, 33, 81,
# 84, 74, 85, 28, 72]]]]])>
G.shape # TensorShape([1, 1, 1, 1, 50])
G.ndim # 5
G_squeezed = tf.squeeze(G)
# array([23, 73, 56, 71, 66, 97, 13, 61, 94, 37, 29, 81, 81, 74, 56, 40, 72,
# 21, 40, 60, 6, 85, 52, 86, 6, 61, 58, 70, 98, 1, 55, 1, 22, 70,
# 17, 42, 90, 63, 20, 59, 22, 49, 66, 33, 81, 84, 74, 85, 28, 72])>
G_squeezed.shape # TensorShape([50])
G_squeezed.ndim # 1- One-hot encoding
list = [1, 2, 3, 4]
tf.one_hot(list, depth=4)
# array([[0., 1., 0., 0.],
# [0., 0., 1., 0.],
# [0., 0., 0., 1.],
# [0., 0., 0., 0.]], dtype=float32)>
tf.one_hot(list, depth=4, on_value="we've live", off_value="offline")
# array([[b'offline', b"we've live", b'offline', b'offline'],
# [b'offline', b'offline', b"we've live", b'offline'],
# [b'offline', b'offline', b'offline', b"we've live"],
# [b'offline', b'offline', b'offline', b'offline']], dtype=object)>- Squaring, log, square root
tensor = tf.constant(np.arange(1, 10, 1))
# <tf.Tensor: shape=(9,), dtype=int64, numpy=array([1, 2, 3, 4, 5, 6, 7, 8, 9])>
squared = tf.square(tensor)
# <tf.Tensor: shape=(9,), dtype=int64, numpy=array([ 1, 4, 9, 16, 25, 36, 49, 64, 81])>
squared = tf.cast(squared, dtype=tf.float32)
# <tf.Tensor: shape=(9,), dtype=float32, numpy=array([1., 2., 3., 4., 5., 6., 7., 8., 9.], dtype=float32)>
tf.sqrt(squared)
# <tf.Tensor: shape=(9,), dtype=float32,
# numpy=array([1., 2., 3., 4., 5., 6., 7., 8., 9.], dtype=float32)>
tf.math.log(squared)
# array([0. , 1.3862944, 2.1972246, 2.7725887, 3.218876 , 3.583519 ,
# 3.8918204, 4.158883 , 4.394449 ], dtype=float32)>
- Manipulating the
tf.Variabletensor
tensor = tf.Variable(np.arange(1, 5)) # [1, 2, ,3, 4]
tensor.assign([5, 6, 7, 8]) # [5, 6, 7, 8]
tensor.assign_add([10, 10, 10, 10]) # [15, 16, 17, 18]- Tensors and Numpy
# Create tensor from numpy
tensor = tf.constant(np.array([1, 2, 3,4]))
# Numpy from tensor
np_array = np.array(tensor)@tf.function
@tf.function là một decorator trong TensorFlow, được sử dụng để tối ưu hóa hiệu suất của các hàm Python bằng cách chuyển đổi chúng thành các đồ thị tính toán được biên dịch sử dụng TensorFlow.
Điều này giúp tăng tốc độ thực thi của chương trình và làm cho các phần mềm sử dụng thư viện TensorFlow chạy nhanh hơn.
Khi bạn đánh dấu một hàm Python bằng @tf.function, TensorFlow sẽ tự động tạo ra một biểu đồ tính toán dựa trên các phép toán trong hàm.
Biểu đồ này sau đó có thể được tối ưu hóa và biên dịch để chạy trực tiếp trên thiết bị phần cứng, thường là GPU hoặc TPU, để tăng tốc độ thực thi.
@tf.function
def tf_function(x, y):
return x ** 2 + y- Finding access to GPUs
print(tf.config.list_physical_devices('GPU'))!nvidia-smi
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent