TensorFlow Temelleri: Tensor, Shape, Type, Sessions & Operatörler

Tensör nedir?

Tensorflow'un adı doğrudan temel çerçevesinden türetilmiştir: Tensor. Tensorflow'da tüm hesaplamalar tensör içerir. Tensör, tüm veri türlerini temsil eden n boyutlu bir vektör veya matristir. Bir tensördeki tüm değerler, bilinen (veya kısmen bilinen) bir şekle sahip aynı veri türünü tutar. Verinin şekli, matrisin veya dizinin boyutluluğudur.

Bir tensör, giriş verilerinden veya bir hesaplamanın sonucundan kaynaklanabilir. TensorFlow'da tüm işlemler bir grafik içinde yürütülür. Grafik, arka arkaya gerçekleşen bir dizi hesaplamadır. Her işlem bir işlem düğümü olarak adlandırılır ve birbirine bağlıdır.

Grafik, düğümler arasındaki işlemleri ve bağlantıları özetlemektedir. Ancak değerleri göstermez. Düğümlerin kenarı tensördür, yani operasyonu verilerle doldurmanın bir yoludur.

Makine Öğreniminde modeller, özellik vektörleri adı verilen nesnelerin bir listesiyle beslenir. Bir özellik vektörü herhangi bir veri türünde olabilir. Özellik vektörü genellikle bir tensörü doldurmak için birincil girdi olacaktır. Bu değerler, tensör aracılığıyla bir işlem düğümüne akacak ve bu işlemin / hesaplamanın sonucu, yeni bir işlemde kullanılacak olan yeni bir tensör yaratacaktır. Tüm bu işlemler grafikte görüntülenebilir.

Bu eğiticide, TensorFlow ile ilgili temel bilgileri öğreneceksiniz.

• Tensör nedir?
• Bir Tensörün Temsili
• Tensör Türleri
• N boyutlu bir tensör oluşturun
• Tensör şekli
• Veri türü
• Operatör oluşturma
• Bazı Yararlı TensorFlow operatörleri
• Değişkenler
• Yer tutucu
• Oturum, toplantı, celse
• Grafik

Bir Tensörün Temsili

TensorFlow'da tensör, n boyutlu özellik vektörlerinin (yani dizi) bir koleksiyonudur. Örneğin, 1'den 6'ya kadar değerlere sahip 2x3 bir matrisimiz varsa, şunu yazarız:

Bir Tensörün Temsili

TensorFlow bu matrisi şu şekilde temsil eder:

[[1, 2, 3],[4, 5, 6]] 

1'den 8'e kadar değerlere sahip üç boyutlu bir matris oluşturursak, elimizde:

TensorFlow bu matrisi şu şekilde temsil eder:

[ [[1, 2],[[3, 4],[[5, 6],[[7,8] ] 

Not: Bir tensör, bir skaler ile temsil edilebilir veya üç boyuttan fazla bir şekle sahip olabilir. Daha yüksek boyut seviyesini görselleştirmek sadece daha karmaşıktır.

Tensör Türleri

TensorFlow'da, tüm hesaplamalar bir veya daha fazla tensörden geçer. Bir tf.tensor, üç özelliğe sahip bir nesnedir:

• Benzersiz bir etiket (ad)
• Bir boyut (şekil)
• Bir veri türü (dtype)

TensorFlow ile yapacağınız her işlem bir tensörün manipülasyonunu içerir. Oluşturabileceğiniz dört ana tensör türü vardır:

• tf.Variable
• tf.constant
• tf.placeholder
• tf.SparseTensor

Bu eğitimde, tf.constant ve tf.Variable'ın nasıl oluşturulacağını öğreneceksiniz.

Öğreticiye geçmeden önce, conda ortamını TensorFlow ile etkinleştirdiğinizden emin olun. Bu ortama merhaba-tf adını verdik.

MacOS kullanıcısı için:

source activate hello-tf 

Windows kullanıcısı için:

activate hello-tf 

Bunu yaptıktan sonra, tensorflow'u içe aktarmaya hazırsınız.

# Import tfimport tensorflow as tf 

N boyutlu bir tensör oluşturun

Tek boyutlu, yani skaler bir tensör yaratmaya başlıyorsunuz.

Bir tensör oluşturmak için, aşağıdaki TensorFlow tensör şekli örneğinde gösterildiği gibi tf.constant () kullanabilirsiniz:

tf.constant(value, dtype, name = "")arguments- `value`: Value of n dimension to define the tensor. Optional- `dtype`: Define the type of data:- `tf.string`: String variable- `tf.float32`: Float variable- `tf.int16`: Integer variable- "name": Name of the tensor. Optional. By default, `Const_1:0` 

0 boyutunun tensörü oluşturmak için aşağıdaki kodu çalıştırın

## rank 0# Default namer1 = tf.constant(1, tf.int16)print(r1)

Çıktı

Tensor("Const:0", shape=(), dtype=int16) 

# Named my_scalarr2 = tf.constant(1, tf.int16, name = "my_scalar")print(r2) 

Çıktı

Tensor("my_scalar:0", shape=(), dtype=int16) 

Her tensör, tensör adıyla görüntülenir. Her tensör nesnesi, benzersiz bir etiket (ad), bir boyut (şekil) ve TensorFlow veri türleri (dtype) gibi tensör nitelikleriyle tanımlanır.

Veri türünü değiştirerek ondalık değerlerle veya bir dizeyle bir tensör tanımlayabilirsiniz.

# Decimalr1_decimal = tf.constant(1.12345, tf.float32)print(r1_decimal)# Stringr1_string = tf.constant("Guru99", tf.string)print(r1_string) 

Çıktı

Tensor("Const_1:0", shape=(), dtype=float32)Tensor("Const_2:0", shape=(), dtype=string) 

1. boyut tensörü aşağıdaki gibi oluşturulabilir:

## Rank 1r1_vector = tf.constant([1,3,5], tf.int16)print(r1_vector)r2_boolean = tf.constant([True, True, False], tf.bool)print(r2_boolean) 

Çıktı

Tensor("Const_3:0", shape=(3,), dtype=int16)Tensor("Const_4:0", shape=(3,), dtype=bool) 

TensorFlow şeklinin yalnızca 1 sütundan oluştuğunu fark edebilirsiniz.

2 tensör boyutundan oluşan bir dizi oluşturmak için, her satırdan sonra köşeli parantezleri kapatmanız gerekir. Aşağıdaki Keras Tensor şekli örneğini kontrol edin

## Rank 2r2_matrix = tf.constant([ [1, 2],[3, 4] ],tf.int16)print(r2_matrix) 

Çıktı

Tensor("Const_5:0", shape=(2, 2), dtype=int16) 

Matrisin 2 satırı ve 1, 2, 3, 4 değerleriyle dolu 2 sütunu vardır.

Parantezlerle başka bir seviye eklenerek 3 boyutlu bir matris oluşturulur.

## Rank 3r3_matrix = tf.constant([ [[1, 2],[3, 4],[5, 6]] ], tf.int16)print(r3_matrix) 

Çıktı

Tensor("Const_6:0", shape=(1, 3, 2), dtype=int16) 

Matris ikinci resimdeki gibi görünüyor.

Tensör şekli

Tensörü yazdırdığınızda, TensorFlow şekli tahmin eder. Ancak, TensorFlow şekil özelliğiyle tensörün şeklini alabilirsiniz.

Aşağıda, 10'dan 15'e kadar bir sayı ile dolu bir matris oluşturuyorsunuz ve m_shape'in şeklini kontrol ediyorsunuz.

# Shape of tensorm_shape = tf.constant([ [10, 11],[12, 13],[14, 15] ])m_shape.shape 

Çıktı

TensorShape([Dimension(3), Dimension(2)]) 

Matrisin 3 satırı ve 2 sütunu vardır.

TensorFlow, bir vektör veya 0 veya 1 ile dolu bir matris oluşturmak için kullanışlı komutlara sahiptir. Örneğin, 0 ile doldurulmuş 10 şeklinde belirli bir 1-D tensör oluşturmak istiyorsanız, aşağıdaki kodu çalıştırabilirsiniz:

# Create a vector of 0print(tf.zeros(10)) 

Çıktı

Tensor("zeros:0", shape=(10,), dtype=float32) 

Özellik matris için de çalışır. Burada, 1 ile doldurulmuş 10x10'luk bir matris oluşturursunuz.

# Create a vector of 1print(tf.ones([10, 10])) 

Çıktı

Tensor("ones:0", shape=(10, 10), dtype=float32) 

Birlerin vektörünü yapmak için belirli bir matrisin şeklini kullanabilirsiniz. M_shape matrisi 3x2 boyutudur. Aşağıdaki kodla biri tarafından doldurulan 3 satırlı bir tensör oluşturabilirsiniz:

# Create a vector of ones with the same number of rows as m_shapeprint(tf.ones(m_shape.shape[0])) 

Çıktı

Tensor("ones_1:0", shape=(3,), dtype=float32) 

1 değerini köşeli ayraç içine iletirseniz, m_shape matrisindeki sütun sayısına eşit olan bir vektörü oluşturabilirsiniz.

# Create a vector of ones with the same number of column as m_shapeprint(tf.ones(m_shape.shape[1])) 

Çıktı

Tensor("ones_2:0", shape=(2,), dtype=float32) 

Son olarak, yalnızca birinin sahip olduğu bir 3x2 matris oluşturabilirsiniz.

print(tf.ones(m_shape.shape)) 

Çıktı

Tensor("ones_3:0", shape=(3, 2), dtype=float32) 

Veri türü

Bir tensörün ikinci özelliği veri türüdür. Bir tensör aynı anda yalnızca bir tür veriye sahip olabilir. Bir tensör yalnızca bir tür veriye sahip olabilir. Türü dtype özelliğiyle döndürebilirsiniz.

print(m_shape.dtype) 

Çıktı

Bazı durumlarda, veri türünü değiştirmek isteyebilirsiniz. TensorFlow'da tf.cast yöntemi ile mümkündür.

Misal

Aşağıda, bir float tensörü, cast yöntemi kullanılarak tam sayıya dönüştürülür.

# Change type of datatype_float = tf.constant(3.123456789, tf.float32)type_int = tf.cast(type_float, dtype=tf.int32)print(type_float.dtype)print(type_int.dtype) 

Çıktı

TensorFlow, tensörün oluşturulması sırasında bağımsız değişken belirtilmediğinde veri türünü otomatik olarak seçer. TensorFlow, en olası veri türlerinin ne olduğunu tahmin edecektir. Örneğin, bir metin iletirseniz, bir dize olduğunu tahmin edecek ve onu dizeye dönüştürecektir.

Operatör oluşturma

Bazı Yararlı TensorFlow operatörleri

TensorFlow ile bir tensörün nasıl oluşturulacağını biliyorsunuz. Matematiksel işlemlerin nasıl yapılacağını öğrenmenin zamanı geldi.

TensorFlow tüm temel işlemleri içerir. Basit bir tanesiyle başlayabilirsiniz. Bir sayının karesini hesaplamak için TensorFlow yöntemini kullanacaksınız. Bu işlem basittir çünkü tensörü oluşturmak için yalnızca bir argüman gerekir.

Bir sayının karesi, kayan sayı olarak x ile tf.sqrt (x) ile oluşturulur.

x = tf.constant([2.0], dtype = tf.float32)print(tf.sqrt(x)) 

Çıktı

Tensor("Sqrt:0", shape=(1,), dtype=float32) 

Not: Çıktı, 2'nin karesinin sonucunu değil, bir tensör nesnesi döndürdü. Örnekte, işlemin gerçek değerlendirmesini değil, tensörün tanımını yazdırırsınız. Bir sonraki bölümde, işlemleri yürütmek için TensorFlow'un nasıl çalıştığını öğreneceksiniz.

Yaygın olarak kullanılan işlemlerin listesi aşağıdadır. Fikir aynı. Her işlem bir veya daha fazla argüman gerektirir.

• tf.add (a, b)
• tf.substract (a, b)
• tf.multiply (a, b)
• tf.div (a, b)
• tf.pow (a, b)
• tf.exp (a)
• tf.sqrt (a)

Misal

# Addtensor_a = tf.constant([[1,2]], dtype = tf.int32)tensor_b = tf.constant([[3, 4]], dtype = tf.int32)tensor_add = tf.add(tensor_a, tensor_b)print(tensor_add) 

Çıktı

Tensor("Add:0", shape=(1, 2), dtype=int32) 

Kod Açıklama

İki tensör oluşturun:

• 1 ve 2 ile bir tensör
• 3 ve 4 ile bir tensör

Her iki tensörü de toplarsınız.

Dikkat : Her iki tensörün de aynı şekle sahip olması gerekir. İki tensör üzerinde bir çarpma işlemi gerçekleştirebilirsiniz.

# Multiplytensor_multiply = tf.multiply(tensor_a, tensor_b)print(tensor_multiply) 

Çıktı

Tensor("Mul:0", shape=(1, 2), dtype=int32) 

Değişkenler

Şimdiye kadar sadece sabit tensörler yarattınız. Pek kullanışlı değil. Veriler her zaman farklı değerlerle gelir, bunu yakalamak için Variable sınıfını kullanabilirsiniz. Değerlerin her zaman değiştiği bir düğümü temsil edecektir.

Bir değişken oluşturmak için tf.get_variable () yöntemini kullanabilirsiniz

tf.get_variable(name = "", values, dtype, initializer)argument- `name = ""`: Name of the variable- `values`: Dimension of the tensor- `dtype`: Type of data. Optional- `initializer`: How to initialize the tensor. OptionalIf initializer is specified, there is no need to include the `values` as the shape of `initializer` is used. 

Örneğin, aşağıdaki kod, iki rastgele değeri olan iki boyutlu bir değişken oluşturur. Varsayılan olarak, TensorFlow rastgele bir değer döndürür. Değişkeni var olarak adlandırın

# Create a Variable## Create 2 Randomized valuesvar = tf.get_variable("var", [1, 2])print(var.shape) 

Çıktı

(1, 2) 

İkinci örnekte, bir satır ve iki sütun içeren bir değişken oluşturursunuz. Değişkenin boyutunu oluşturmak için [1,2] kullanmanız gerekir

Bu tensörün başlangıç ​​değerleri sıfırdır. Örneğin, bir modeli eğittiğinizde, unsurların ağırlığını hesaplamak için başlangıç ​​değerlerine sahip olmanız gerekir. Aşağıda, bu başlangıç ​​değerini sıfır olarak ayarlıyorsunuz.

var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32, initializer=tf.zeros_initializer)print(var_init_1.shape) 

Çıktı

(1, 2) 

Bir değişkende sabit bir tensörün değerlerini iletebilirsiniz. Tf.constant () yöntemiyle sabit bir tensör oluşturursunuz. Değişkeni başlatmak için bu tensörü kullanırsınız.

Değişkenin ilk değerleri 10, 20, 30 ve 40'dır. Yeni tensör 2x2 şeklinde olacaktır.

# Create a 2x2 matrixtensor_const = tf.constant([[10, 20],[30, 40]])# Initialize the first value of the tensor equals to tensor_constvar_init_2 = tf.get_variable("var_init_2", dtype=tf.int32, initializer=tensor_const)print(var_init_2.shape) 

Çıktı

(2, 2) 

Yer tutucu

Bir yer tutucunun amacı tensörü besleme amacına sahiptir. Yer tutucu, verilerin tensörlerin içine akmasını başlatmak için kullanılır. Bir yer tutucu sağlamak için feed_dict yöntemini kullanmanız gerekir. Yer tutucu yalnızca bir seans içinde beslenecektir.

Sonraki örnekte, tf.placeholder yöntemiyle bir yer tutucunun nasıl oluşturulacağını göreceksiniz. Bir sonraki seansta, gerçek tensör değerine sahip bir yer tutucuyu beslemeyi öğreneceksiniz.

Sözdizimi şöyledir:

tf.placeholder(dtype,shape=None,name=None )arguments:- `dtype`: Type of data- `shape`: dimension of the placeholder. Optional. By default, shape of the data- `name`: Name of the placeholder. Optionaldata_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")print(data_placeholder_a) 

Çıktı

Tensor("data_placeholder_a:0", dtype=float32) 

Oturum, toplantı, celse

TensorFlow 3 ana bileşen etrafında çalışır:

• Grafik
• Tensör
• Oturum, toplantı, celse

Bileşenler	Açıklama
Grafik	Grafik, TensorFlow'da çok önemlidir. Tüm matematiksel işlemler (işlem) bir grafik içinde gerçekleştirilir. Bir grafiği her işlemin yapıldığı bir proje olarak hayal edebilirsiniz. Düğümler bu operasyonları temsil eder, yeni tensörleri absorbe edebilir veya yaratabilirler.
Tensör	Bir tensör, işlemler arasında ilerleyen verileri temsil eder. Daha önce bir tensörü nasıl başlatacağınızı görmüştünüz. Sabit ve değişken arasındaki fark, bir değişkenin başlangıç ​​değerlerinin zamanla değişeceğidir.
Oturum, toplantı, celse	Bir oturum, işlemi grafikten gerçekleştirecektir. Grafiği bir tensörün değerleri ile beslemek için bir oturum açmanız gerekir. Bir oturumun içinde, bir çıktı oluşturmak için bir işleci çalıştırmanız gerekir.

Grafikler ve oturumlar bağımsızdır. Bir oturum çalıştırabilir ve daha sonra başka hesaplamalar için kullanmak üzere değerleri alabilirsiniz.

Aşağıdaki örnekte şunları yapacaksınız:

• İki tensör oluştur
• Bir operasyon oluştur
• Bir oturum açın
• Sonucu yazdırın

Adım 1) İki tensör x ve y oluşturursunuz

## Create, run and evaluate a sessionx = tf.constant([2])y = tf.constant([4]) 

Adım 2) x ve y'yi çarparak operatörü oluşturursunuz

## Create operatormultiply = tf.multiply(x, y) 

Adım 3) Bir oturum açarsınız. Tüm hesaplamalar oturum içinde yapılacaktır. İşiniz bittiğinde seansı kapatmanız gerekir.

## Create a session to run the codesess = tf.Session()result_1 = sess.run(multiply)print(result_1)sess.close() 

Çıktı

[8] 

Kod açıklaması

• tf.Session (): Bir oturum açın. Tüm işlemler seanslar içinde akacak
• çalıştır (çarp): 2. adımda oluşturulan işlemi yürütür.
• print (sonuç_1): Son olarak sonucu yazdırabilirsiniz
• close (): Oturumu kapatır

Sonuç, x ve y'nin çarpımı olan 8'i gösterir.

Bir oturum oluşturmanın başka bir yolu da bir bloğun içindedir. Avantajı, oturumu otomatik olarak kapatmasıdır.

with tf.Session() as sess:result_2 = multiply.eval()print(result_2) 

Çıktı

[8] 

Oturum bağlamında, işlemi yürütmek için eval () yöntemini kullanabilirsiniz. Run () ile eşdeğerdir. Kodu daha okunaklı hale getirir.

Bir seans oluşturabilir ve şimdiye kadar oluşturduğunuz tensörlerin içindeki değerleri görebilirsiniz.

## Check the tensors created beforesess = tf.Session()print(sess.run(r1))print(sess.run(r2_matrix))print(sess.run(r3_matrix)) 

Çıktı

1[[1 2][3 4]][[[1 2][3 4][5 6]]] 

Bir tensör oluşturduktan sonra bile değişkenler varsayılan olarak boştur. Değişkeni kullanmak istiyorsanız değişkeni başlatmanız gerekir. Bir değişkenin değerlerini başlatmak için tf.global_variables_initializer () nesnesinin çağrılması gerekir. Bu nesne, tüm değişkenleri açıkça başlatacaktır. Bu, bir modeli eğitmeden önce faydalıdır.

Daha önce oluşturduğunuz değişkenlerin değerlerini kontrol edebilirsiniz. Tensörü değerlendirmek için run kullanmanız gerektiğini unutmayın.

sess.run(tf.global_variables_initializer())print(sess.run(var))print(sess.run(var_init_1))print(sess.run(var_init_2)) 

Çıktı

[[-0.05356491 0.75867283]][[0 0]][[10 20][30 40]] 

Daha önce oluşturduğunuz yer tutucuyu kullanabilir ve onu gerçek değerle besleyebilirsiniz. Verileri feed_dict yöntemine aktarmanız gerekir.

Örneğin, data_placeholder_a yer tutucusunun 2'sinin gücünü alacaksınız.

import numpy as nppower_a = tf.pow(data_placeholder_a, 2)with tf.Session() as sess:data = np.random.rand(1, 10)print(sess.run(power_a, feed_dict={data_placeholder_a: data})) # Will succeed. 

Kod Açıklama

• numpy'yi np olarak içe aktar: Verileri oluşturmak için numpy kitaplığını içe aktarın
• tf.pow (data_placeholder_a, 2): İşlemleri oluşturun
• np.random.rand (1, 10): Rastgele bir veri dizisi oluşturun
• feed_dict = {data_placeholder_a: data}: Yer tutucuyu verilerle besleyin

Çıktı

[[0.05478134 0.27213147 0.8803037 0.0398424 0.21172127 0.01444725 0.02584014 0.3763949 0.66022706 0.7565559 ]] 

Grafik

TensorFlow, işlemi gerçekleştirmek için dahiyane bir yaklaşıma dayanır. Tüm hesaplamalar bir veri akışı şemasıyla temsil edilir. Veri akışı grafiği, bireysel işlemler arasındaki veri bağımlılıklarını görmek için geliştirilmiştir. Matematiksel formül veya algoritma, birkaç ardışık işlemden oluşur. Grafik, hesaplamaların nasıl koordine edildiğini görselleştirmenin uygun bir yoludur.

Grafik bir düğüm ve bir kenarı gösterir . Düğüm, bir işlemin, yani hesaplama biriminin temsilidir. Kenar tensördür, yeni bir tensör üretebilir veya giriş verilerini tüketebilir. Bireysel işlemler arasındaki bağımlılıklara bağlıdır.

Grafiğin yapısı, işlemleri (yani düğümleri) ve bunların işlemlerin nasıl beslendiğini birbirine bağlar. Grafiğin işlemlerin çıktısını göstermediğini, yalnızca bireysel işlemler arasındaki bağlantıyı görselleştirmeye yardımcı olduğunu unutmayın.

Bir örnek görelim.

Aşağıdaki işlevi değerlendirmek istediğinizi düşünün:

TensorFlow, işlevi yürütmek için bir grafik oluşturacaktır. Grafik şuna benzer:

TensorFlow Grafiği örneği

Tensörlerin son hedefe ulaşmak için izleyeceği yolu kolayca görebilirsiniz.

Örneğin, ekleme işleminin ve öncesinde yapılamayacağını görebilirsiniz. Grafik, şunları yapacağını açıklıyor:

1. hesapla ve:
2. 1) ekleyin
3. 2'ye ekle)
4. 3) ekleyin

x = tf.get_variable("x", dtype=tf.int32, initializer=tf.constant([5]))z = tf.get_variable("z", dtype=tf.int32, initializer=tf.constant([6]))c = tf.constant([5], name = "constant")square = tf.constant([2], name = "square")f = tf.multiply(x, z) + tf.pow(x, square) + z + c 

Kod Açıklama

• x: x adında sabit değeri 5 olan bir değişkeni başlatın
• z: Sabit değeri 6 olan z adlı bir değişkeni başlatın
• c: Sabit değeri 5 olan c adı verilen sabit bir tensörü başlatın
• kare: Sabit değeri 2 olan kare adı verilen sabit bir tensörü başlatın
• f: Operatörü oluşturun

Bu örnekte, değişkenlerin değerlerini sabit tutmayı seçiyoruz. Ayrıca f fonksiyonundaki sabit parametre olan c adında sabit bir tensör oluşturduk. Sabit 5 değerini alır. Grafikte bu parametreyi sabit denilen tensörde görebilirsiniz.

Ayrıca tf.pow () operatöründeki güç için sabit bir tensör oluşturduk. Bu gerekli değil. Grafikte tensörün adını görebilmeniz için yaptık. Kare denen çemberdir.

Grafikten tensörlere ne olacağını ve 66 çıktısını nasıl döndürebileceğini anlayabilirsiniz.

Aşağıdaki kod, bir oturumdaki işlevi değerlendirir.

init = tf.global_variables_initializer() # prepare to initialize all variableswith tf.Session() as sess:init.run() # Initialize x and yfunction_result = f.eval()print(function_result) 

Çıktı

[66] 

Özet

TensorFlow şu konularda çalışır:

• Grafik : İşlemleri ve tensörleri içeren hesaplama ortamı
• Tensörler : Grafikte akacak verileri (veya değeri) temsil eder. Grafikteki kenardır
• Oturumlar : İşlemlerin yürütülmesine izin verin

Sabit bir tensör oluşturun

sabit	nesne
D0	tf.constant (1, tf.int16)
D1	tf.constant ([1,3,5], tf.int16)
D2	tf.constant ([[1, 2], [3, 4]], tf.int16)
D3	tf.constant ([[[1, 2], [3, 4], [5, 6]]], tf.int16)

Bir operatör oluşturun

Bir operatör oluşturun	Nesne
a + b	tf.add (a, b)
a * b	tf.multiply (a, b)

Değişken bir tensör oluşturun

Bir değişken oluşturun	nesne
rastgele değer	tf.get_variable ("var", [1, 2])
başlatılan ilk değer	tf.get_variable ("var_init_2", dtype = tf.int32, başlatıcı = [[1, 2], [3, 4]])

Bir oturum açın

Oturum, toplantı, celse	nesne
Bir oturum oluşturun	tf.Session ()
Bir oturum çalıştırın	tf.Session.run ()
Bir tensörü değerlendirin	değişken_adı.eval ()
Bir oturumu kapat	sess.close ()
Blok bazında oturum	tf.Session () ile sess: