机器学习与深度学习 / 系统课时

运行第一个张量程序

运行第一个张量程序

这一课直接完成一次可验证的 TensorFlow 执行:创建两个二维张量,做逐元素加法和矩阵乘法,再读取形状、数据类型与数值结果。跑通后,你就具备后续模型计算最基本的“输入张量—执行运算—检查输出”链路。

学习目标

  • 使用 tf.constant 创建带明确形状和数据类型的张量。
  • 区分逐元素运算与矩阵乘法,并用具体数值检查结果。
  • 根据 shape、dtype 和输出数组判断程序是否按预期执行。

创建并运算张量

在 Jupyter 单元格或一个普通 .py 文件中运行下面完整程序。这里显式使用 tf.float32,避免初学阶段因为整数与浮点类型混用而增加额外变量。

python
import tensorflow as tf

a = tf.constant([[1.0, 2.0], [3.0, 4.0]], dtype=tf.float32)
b = tf.constant([[5.0, 6.0], [7.0, 8.0]], dtype=tf.float32)

elementwise_sum = a + b
matrix_product = tf.matmul(a, b)

print("shape:", a.shape)
print("dtype:", a.dtype.name)
print("sum:")
print(elementwise_sum.numpy())
print("matmul:")
print(matrix_product.numpy())

预期输出:

text
shape: (2, 2)
dtype: float32
sum:
[[ 6.  8.]
 [10. 12.]]
matmul:
[[19. 22.]
 [43. 50.]]

如果得到这些值,说明 TensorFlow 已完成导入、张量创建、运算执行以及结果读取,环境链路是通的。

从结果反推运算规则

a + b 是逐元素加法,因此两个输入都为 (2, 2) 时,输出仍是 (2, 2)。左上角元素只计算 1 + 5 = 6,不会与同一行的其他元素发生组合。

tf.matmul(a, b) 执行矩阵乘法。结果左上角来自第一行与第一列的点积:1 × 5 + 2 × 7 = 19;右下角是 3 × 6 + 4 × 8 = 50。这个算例可以直接用于检查自己是否把矩阵乘法误写成逐元素乘法 a * b。

表达式 运算类型 本例输出形状 左上角结果
a + b 逐元素加法 (2, 2) 6
a * b 逐元素乘法 (2, 2) 5
tf.matmul(a, b) 矩阵乘法 (2, 2) 19

检查形状和数据类型边界

矩阵乘法要求左矩阵的最后一维与右矩阵的倒数第二维一致。比如 A 的形状为 (2, 3),B 的形状必须以 3 作为行数;若 B 是 (3, 4),结果形状就是 (2, 4)。如果把 B 写成 (2, 4),内维 3 与 2 对不上,运算会失败。

数据类型也要主动检查。当前示例把两个输入都固定为 tf.float32,所以加法和矩阵乘法不会遇到 int32 与 float32 混用的问题。需要转换时使用真实 API tf.cast(x, tf.float32),不要依赖隐式类型变化。

按三个结果验收程序

完成练习后按三个条件验收:a.shape 必须是 (2, 2),a.dtype.name 必须是 float32,矩阵乘法左上角必须是 19。这三个条件分别验证结构、类型和数值逻辑,任意一项不对都说明程序仍有可定位的问题。

如果第一行 import tensorflow as tf 就出现 ModuleNotFoundError,问题在解释器或环境配置;如果能导入但矩阵乘法报形状错误,问题在张量维度;如果形状正确但结果与上表不同,则回到输入值与运算符检查。这样可以把“环境问题”和“张量计算问题”分开处理。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

运行第一个张量程序

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通