Тензоры и операции

TensorFlow.js — это платформа для определения и выполнения вычислений с использованием тензоров в JavaScript. Тензор — это обобщение векторов и матриц на более высокие размерности.

Тензоры

Центральным блоком данных в TensorFlow.js является tf.Tensor : набор значений, сформированный в виде массива из одного или нескольких измерений. tf.Tensor очень похожи на многомерные массивы.

tf.Tensor также содержит следующие свойства:

• rank : определяет, сколько измерений содержит тензор.
• shape : который определяет размер каждого измерения данных
• dtype : определяет тип данных тензора.

Примечание. Мы будем использовать термин «размер» как синоним ранга. Иногда в машинном обучении «размерность» тензора может также относиться к размеру определенного измерения (например, матрица формы [10, 5] является тензором ранга 2 или двумерным тензором. Размерность тензора первое измерение равно 10. Это может сбивать с толку, но мы поместили это примечание здесь, потому что вы, вероятно, столкнетесь с этим двойным использованием термина).

tf.Tensor может быть создан из массива с помощью tf.tensor() :

// Create a rank-2 tensor (matrix) matrix tensor from a multidimensional array.
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('shape:', a.shape);
a.print();

// Or you can create a tensor from a flat array and specify a shape.
const shape = [2, 2];
const b = tf.tensor([1, 2, 3, 4], shape);
console.log('shape:', b.shape);
b.print();

По умолчанию tf.Tensor s будет иметь float32 dtype. tf.Tensor s также могут быть созданы с типами bool, int32, complex64 и string:

const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
console.log('shape:', a.shape);
console.log('dtype', a.dtype);
a.print();

TensorFlow.js также предоставляет набор удобных методов для создания случайных тензоров, тензоров, заполненных определенным значением, тензоров из HTMLImageElement и многих других, которые вы можете найти здесь .

Изменение формы тензора

Количество элементов в tf.Tensor является произведением размеров его формы. Поскольку часто может быть несколько фигур одинакового размера, часто полезно иметь возможность изменить форму tf.Tensor на другую форму того же размера. Этого можно добиться с помощью метода reshape() :

const a = tf.tensor([[1, 2], [3, 4]]);
console.log('a shape:', a.shape);
a.print();

const b = a.reshape([4, 1]);
console.log('b shape:', b.shape);
b.print();

Получение значений из тензора

Вы также можете получить значения из tf.Tensor , используя Tensor.array() или Tensor.data() :

 const a = tf.tensor([[1, 2], [3, 4]]);
 // Returns the multi dimensional array of values.
 a.array().then(array => console.log(array));
 // Returns the flattened data that backs the tensor.
 a.data().then(data => console.log(data));

Мы также предоставляем синхронные версии этих методов, которые проще в использовании, но вызывают проблемы с производительностью в вашем приложении. Вы всегда должны отдавать предпочтение асинхронным методам в производственных приложениях.

const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
console.log(a.arraySync());
// Returns the flattened data that backs the tensor.
console.log(a.dataSync());

Операции

В то время как тензоры позволяют вам хранить данные, операции (ops) позволяют вам манипулировать этими данными. TensorFlow.js также предоставляет широкий спектр операций, подходящих для линейной алгебры и машинного обучения, которые можно выполнять с тензорами.

Пример: вычисление x ² всех элементов в tf.Tensor :

const x = tf.tensor([1, 2, 3, 4]);
const y = x.square();  // equivalent to tf.square(x)
y.print();

Пример: добавление элементов двух tf.Tensor поэлементно:

const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b);  // equivalent to tf.add(a, b)
y.print();

Поскольку тензоры неизменяемы, эти операции не меняют своих значений. Вместо этого ops return всегда возвращает новые tf.Tensor s.

Примечание: большинство операций возвращают tf.Tensor s, однако результат может быть еще не готов. Это означает, что tf.Tensor , который вы получаете, на самом деле является дескриптором вычисления. Когда вы вызываете Tensor.data() или Tensor.array() , эти методы возвращают промисы, которые разрешаются со значениями только после завершения вычислений. При работе в контексте пользовательского интерфейса (например, в приложении браузера) всегда следует отдавать предпочтение асинхронным версиям этих методов, а не их синхронным аналогам, чтобы избежать блокировки потока пользовательского интерфейса до завершения вычисления.

Список поддерживаемых TensorFlow.js операций можно найти здесь .

Память

При использовании бэкэнда WebGL память tf.Tensor должна управляться явно ( недостаточно позволить tf.Tensor выйти из области видимости, чтобы его память была освобождена).

Чтобы уничтожить память tf.Tensor, вы можете использовать метод dispose( dispose() или tf.dispose() :

const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)

Очень часто в приложении несколько операций объединяются в цепочку. Сохранение ссылок на все промежуточные переменные для их удаления может снизить читаемость кода. Чтобы решить эту проблему, TensorFlow.js предоставляет метод tf.tidy() , который очищает все tf.Tensor , которые не возвращаются функцией после ее выполнения, аналогично тому, как очищаются локальные переменные при выполнении функции:

const a = tf.tensor([[1, 2], [3, 4]]);
const y = tf.tidy(() => {
  const result = a.square().log().neg();
  return result;
});

В этом примере результат square() и log() будет автоматически удален. Результат neg() не будет удален, так как это возвращаемое значение tf.tidy().

Вы также можете получить количество тензоров, отслеживаемых TensorFlow.js:

console.log(tf.memory());

Объект, напечатанный tf.memory() , будет содержать информацию о том, сколько памяти выделено в данный момент. Дополнительную информацию можно найти здесь .