TensorFlow es una biblioteca Python de código abierto diseñada por Google para desarrollar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo. cumsum() se usa para calcular la suma acumulada del tensor de entrada.
Sintaxis: tensorflow.math.cumsum(x, eje, exclusivo, inverso, nombre)
Parámetros:
- x: Es el tensor de entrada. Los dtype permitidos para este tensor son float32, float64, int64, int32, uint8, uint16, int16, int8, complex64, complex128, qint8, quint8, qint32, half.
- axis(opcional): Es un tensor de tipo int32. Su valor debe estar en el rango A Tensor de tipo int32 (predeterminado: 0). Debe estar en el rango [-rango(x), rango(x)). El valor predeterminado es 0.
- exclusivo(opcional): Es de tipo bool. El valor predeterminado es Falso y, si se establece en verdadero, la salida para la entrada [a, b, c] será [0, a, a+b].
- reverse(opcional): Es de tipo bool. El valor predeterminado es Falso y, si se establece en verdadero, la salida para la entrada [a, b, c] será [a+b+c, a+b, a].
- name(opcional): Define el nombre de la operación.
Devoluciones: Devuelve un tensor del mismo tipo que x.
Ejemplo 1:
Python3
# importing the library import tensorflow as tf # initializing the input a = tf.constant([1, 2, 4, 5], dtype = tf.int32) # Printing the input print("Input: ",a) # Cumulative sum res = tf.math.cumsum(a) # Printing the result print("Output: ",res)
Producción:
Input: tf.Tensor([1 2 4 5], shape=(4,), dtype=int32) Output: tf.Tensor([ 1 3 7 12], shape=(4,), dtype=int32)
Ejemplo 2: En este ejemplo, tanto el inverso como el exclusivo se establecen en True.
Python3
# importing the library import tensorflow as tf # initializing the input a = tf.constant([2, 3, 4, 5], dtype = tf.int32) # Printing the input print("Input: ",a) # Cumulative sum res = tf.math.cumsum(a, reverse = True, exclusive = True) # Printing the result print("Output: ",res)
Producción:
Input: tf.Tensor([2 3 4 5], shape=(4,), dtype=int32) Output: tf.Tensor([12 9 5 0], shape=(4,), dtype=int32)
Publicación traducida automáticamente
Artículo escrito por aman neekhara y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA