La presita deklaro en TensorFlow diferencas de tipaj presataj deklaroj en Python en pluraj manieroj. TensorFlow estas malfermfonta maŝinlernada kadro evoluigita de Google, kiu disponigas larĝan gamon de iloj kaj funkcioj por konstrui kaj trejni maŝinlernajn modelojn. Unu el la ŝlosilaj diferencoj en la presaĵdeklaro de TensorFlow kuŝas en sia integriĝo kun la komputila grafeo de TensorFlow kaj ĝia kapablo presi tensorojn kaj aliajn grafe-rilatajn objektojn.
En Python, la presita deklaro estas enkonstruita funkcio uzata por eligi tekston aŭ aliajn valorojn al la konzolo. Ĝi estas ĉefe uzata por sencimigaj celoj aŭ por montri informojn dum programa ekzekuto. La sintakso por la presita deklaro en Python estas simpla, kie vi simple pasas la objekton aŭ valoron, kiun vi volas presi kiel argumenton:
print(object)
Aliflanke, en TensorFlow, la presa deklaro estas parto de la TensorFlow API kaj estas uzata por presi la valorojn de tensoro kaj aliaj grafe-rilataj objektoj dum la ekzekuto de TensorFlow-grafo. La presita deklaro de TensorFlow estas desegnita por funkcii perfekte kun la komputila grafeo, permesante al vi presi la valorojn de tensoroj ĉe specifaj punktoj en la grafeo.
Por uzi la presitan deklaron en TensorFlow, vi devas importi la modulon `tf` kaj uzi la funkcion `tf.print()`. La funkcio `tf.print()` prenas liston de tensoro aŭ aliaj grafe-rilataj objektoj kiel argumentoj kaj presas iliajn valorojn dum la ekzekuto de la grafeo. Jen ekzemplo:
python import tensorflow as tf # Define a tensor x = tf.constant(10) # Print the value of the tensor tf.print(x)
Kiam vi rulas ĉi tiun kodon, TensorFlow ekzekutos la grafeon kaj presas la valoron de la tensoro `x` al la konzolo. La eligo estos:
10
La presita deklaro de TensorFlow ankaŭ subtenas presi plurajn tensorojn aŭ aliajn grafe-rilatajn objektojn samtempe. Vi povas pasi liston de tensoroj aŭ objektoj al la funkcio `tf.print()`, kaj ĝi presis iliajn valorojn en la ordo, kiam ili aperas en la listo. Jen ekzemplo:
python import tensorflow as tf # Define two tensors x = tf.constant(10) y = tf.constant(20) # Print the values of the tensors tf.print(x, y)
La eligo de ĉi tiu kodo estos:
10 20
Krom presado de la valoroj de tensoroj, la presita deklaro de TensorFlow ankaŭ subtenas formatajn opciojn similajn al la presita deklaro de Python. Vi povas specifi la formaton de la presitaj valoroj uzante la argumentojn `output_stream` kaj `end` de la funkcio `tf.print()`. Ekzemple:
python import tensorflow as tf # Define a tensor x = tf.constant(10) # Print the value of the tensor with a custom format tf.print("The value of x is", x, output_stream=sys.stderr, end="!!!n")
En ĉi tiu ekzemplo, la eligo estos presita al la norma erara fluo (`sys.stderr`) anstataŭ la norma eligo. La presitaj valoroj estos sekvataj de tri ekkriaj signoj kaj novlinia signo.
La presaĵdeklaro en TensorFlow devias de tipaj presaĵdeklaroj en Python per sia integriĝo kun la TensorFlow komputila grafeo kaj ĝia kapablo presi la valorojn de tensoro kaj aliaj grafe-rilataj objektoj dum la ekzekuto de la grafeo. Ĝi provizas potencan ilon por sencimigi kaj inspekti la valorojn de tensoro ĉe malsamaj punktoj en la TensorFlow-grafo.
Aliaj lastatempaj demandoj kaj respondoj pri EITC/AI/GCML Google Cloud Machine Machine Learning:
- Kio estas teksto al parolado (TTS) kaj kiel ĝi funkcias kun AI?
- Kio estas la limigoj por labori kun grandaj datumaroj en maŝina lernado?
- Ĉu maŝinlernado povas fari iun dialogan helpon?
- Kio estas la ludejo TensorFlow?
- Kion fakte signifas pli granda datumaro?
- Kio estas kelkaj ekzemploj de hiperparametroj de algoritmo?
- Kio estas ensamble-lernado?
- Kio se elektita maŝinlernada algoritmo ne taŭgas kaj kiel oni povas certigi elekti la ĝustan?
- Ĉu maŝinlernada modelo bezonas superrigardon dum sia trejnado?
- Kiuj estas la ŝlosilaj parametroj uzataj en algoritmoj bazitaj en neŭralaj reto?
Rigardu pliajn demandojn kaj respondojn en EITC/AI/GCML Google Cloud Machine Learning