update

Author: yu2nshuai

01_TensorFlow_basics/01_01_Tensors.ipynb

@@ -16,7 +16,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "#>>>>>>>>>>>>>>>>>1、基础知识>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.1 基础知识\n",
     "#张量是具有统一类型（称为 dtype）的多维数组.您可以在 tf.dtypes.DType 中查看所有支持的 dtypes。\n",
     "#如果您熟悉 NumPy，就会知道张量与 np.arrays 有一定的相似性。\n",
     "#就像 Python 数值和字符串一样，所有张量都是不可变的：永远无法更新张量的内容，只能创建新的张量。\n"
@@ -36,7 +36,7 @@
     }
    ],
    "source": [
-    "#下面是一个“标量”（或称“0 秩”张量）。标量包含单个值，但没有“轴”。\n",
+    "##下面是一个“标量”（或称“0 秩”张量）。标量包含单个值，但没有“轴”。\n",
     "# This will be an int32 tensor by default; see \"dtypes\" below.\n",
     "rank_0_tensor = tf.constant(4)\n",
     "print(rank_0_tensor)"
@@ -56,7 +56,7 @@
     }
    ],
    "source": [
-    "#“向量”（或称“1 秩”张量）就像一个值列表。向量有 1 个轴：\n",
+    "##“向量”（或称“1 秩”张量）就像一个值列表。向量有 1 个轴：\n",
     "# Let's make this a float tensor.\n",
     "rank_1_tensor = tf.constant([2.0,3.0,4.0])\n",
     "print(rank_1_tensor)"
@@ -79,7 +79,7 @@
     }
    ],
    "source": [
-    "#“矩阵”（或称“2 秩”张量）有 2 个轴：\n",
+    "##“矩阵”（或称“2 秩”张量）有 2 个轴：\n",
     "# If you want to be specific, you can set the dtype (see below) at creation time\n",
     "rank_2_tensor = tf.constant(\n",
     "    [[1,2],\n",
@@ -243,7 +243,7 @@
     }
    ],
    "source": [
-    "#各种运算都可以使用张量。\n",
+    "##各种运算都可以使用张量。\n",
     "#tf.reduce_max 是 TensorFlow 中的一个函数，用于计算张量（tensor）中的最大值。它可以沿着张量的一个或多个维度进行操作。\n",
     "a = tf.constant([\n",
     "    [1,2,3,4,5],\n",
@@ -326,7 +326,7 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>2、SHAPE>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.2 SHAPE\n",
     "\n",
     "##张量有形状。下面是几个相关术语：\n",
     "\n",
@@ -440,8 +440,8 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>3、索引>>>>>>>>>>>>>>>>>>>>>>>>>\n",
-    "#单轴索引\n",
+    "### 1.1.3 索引\n",
+    "##单轴索引\n",
     "#TensorFlow 遵循标准 Python 索引编制规则（类似于在 Python 中为列表或字符串编制索引）以及 NumPy 索引编制的基本规则。\n",
     "#索引从 0 开始编制\n",
     "#负索引表示按倒序编制索引\n",
@@ -483,7 +483,7 @@
     }
    ],
    "source": [
-    "#多轴索引\n",
+    "##多轴索引\n",
     "#更高秩的张量通过传递多个索引来编制索引。\n",
     "\n",
     "#对于高秩张量的每个单独的轴，遵循与单轴情形完全相同的规则。\n",
@@ -513,8 +513,8 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>4、reshape>>>>>>>>>>>>>>>>>>>>>>>>>\n",
-    "#改变张量的形状很有用\n",
+    "### 1.1.4 reshape\n",
+    "##改变张量的形状很有用\n",
     "# Shape returns a `TensorShape` object that shows the size along each axis\n",
     "x = tf.constant([[1],[2],[3]])\n",
     "print(x,\"\\n\")\n",
@@ -691,7 +691,7 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>5、DTypes>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.5 DTypes\n",
     "#使用 Tensor.dtype 属性可以检查 tf.Tensor 的数据类型。\n",
     "#从 Python 对象创建 tf.Tensor 时，您可以选择指定数据类型。\n",
     "#如果不指定，TensorFlow 会选择一个可以表示您的数据的数据类型。TensorFlow 将 Python 整数转换为 tf.int32，\n",
@@ -723,8 +723,9 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>6、广播>>>>>>>>>>>>>>>>>>>>>>>>>\n",
-    "#广播是从 NumPy 中的等效功能借用的一个概念。简而言之，在一定条件下，对一组张量执行组合运算时，为了适应大张量，会对小张量进行“扩展”。\n",
+    "### 1.1.6 广播\n",
+    "#广播是从 NumPy 中的等效功能借用的一个概念。简而言之，在一定条件下，对一组张量执行组合运算时，\n",
+    "#为了适应大张量，会对小张量进行“扩展”。\n",
     "\n",
     "#最简单和最常见的例子是尝试将张量与标量相乘或相加。在这种情况下会对标量进行广播，使其变成与其他参数相同的形状。\n",
     "x = tf.constant([1,2,3])\n",
@@ -824,7 +825,7 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>7、tf.convert_to_tensor>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.7 tf.convert_to_tensor\n",
     "#大部分运算（如 tf.matmul 和 tf.reshape）会使用 tf.Tensor 类的参数。不过，在上面的示例中，\n",
     "# 您会发现形状类似于张量的 Python 对象也可以接受。\n",
     "\n",
@@ -843,7 +844,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "#>>>>>>>>>>>>>>>>>8、不规则张量>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.8 不规则张量\n",
     "#如果张量的某个轴上的元素个数可变，则称为“不规则”张量。对于不规则数据，请使用 tf.ragged.RaggedTensor。\n",
     "#例如，下面的例子无法用规则张量表示：\n"
    ]
@@ -944,7 +945,7 @@
     }
    ],
    "source": [
-    "#>>>>>>>>>>>>>>>>>9、字符串张量>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.9 字符串张量\n",
     "#tf.string 是一种 dtype，也就是说，在张量中，您可以用字符串（可变长度字节数组）来表示数据。\n",
     "\n",
     "#字符串是原子类型，无法像 Python 字符串一样编制索引。字符串的长度并不是张量的一个轴。\n",
@@ -1117,7 +1118,7 @@
    "metadata": {},
    "outputs": [],
    "source": [
-    "#>>>>>>>>>>>>>>>>>10、稀疏张量>>>>>>>>>>>>>>>>>>>>>>>>>\n",
+    "### 1.1.10 稀疏张量\n",
     "#在某些情况下，数据很稀疏，比如说在一个非常宽的嵌入空间中。\n",
     "# 为了高效存储稀疏数据，TensorFlow 支持 tf.sparse.SparseTensor 和相关运算。"
    ]
@@ -1185,13 +1186,6 @@
     "# You can convert sparse tensors to dense\n",
     "tf.sparse.to_dense(sparse_tensor)\n"
    ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "metadata": {},
-   "outputs": [],
-   "source": []
   }
  ],
  "metadata": {