Основы работы с TensorFlow: синтаксис и базовые операции
Автор: Сыдыкова М.Б., Мамбетова З.Д., Убайдылдаева Ж.А.
Журнал: Бюллетень науки и практики @bulletennauki
Рубрика: Технические науки
Статья в выпуске: 1 т.12, 2026 года.
Бесплатный доступ
Статья посвящена основам работы с библиотекой TensorFlow - одной из наиболее популярных и функциональных платформ для создания и обучения моделей машинного и глубокого обучения. В работе подробно рассматриваются ключевые концепции, лежащие в основе вычислительной архитектуры TensorFlow, включая принципы формирования и обработки тензоров, их свойства, типы данных, размерности и способы представления в вычислительном графе. Особое внимание уделено базовым операциям над тензорами: арифметическим вычислениям, агрегирующим функциям, матричному умножению, а также механизму трансляции (broadcasting), который играет важную роль в оптимизации вычислений и построении моделей. Раскрываются различия между переменными и константами в TensorFlow, их назначение в процессе обучения нейронных сетей и методы изменения или обновления значений тензоров. В статье акцентируется внимание на том, как структуры данных TensorFlow позволяют эффективно выполнять автоматическое дифференцирование и оптимизацию параметров моделей. Материал сопровождается практическими упражнениями и примерами кода, ориентированными на начинающих исследователей и студентов, осваивающих технологии машинного обучения. Представленные примеры демонстрируют создание простейших вычислительных моделей, использование основных операций TensorFlow и связь между теоретическими принципами и их программной реализацией. Статья может служить вводным пособием для тех, кто делает первые шаги в изучении TensorFlow и хочет получить уверенные практические навыки работы с этой библиотекой.
Тензоры, матричное умножение, трансляция, функции активации, обучение модели, машинное обучение
Короткий адрес: https://sciup.org/14135515
IDR: 14135515 | УДК: 004.932 | DOI: 10.33619/2414-2948/122/13
Fundamentals of TensorFlow: Syntax and Basic Operations
The article is devoted to the fundamentals of working with the TensorFlow library, one of the most popular and functional platforms for creating and training machine learning and deep learning models. The paper provides a detailed examination of the key concepts underlying the computational architecture of TensorFlow, including the principles of forming and processing tensors, their properties, data types, dimensions, and ways of representing them within the computational graph. Special attention is given to basic tensor operations such as arithmetic computations, aggregation functions, matrix multiplication, and the broadcasting mechanism, which plays an important role in optimizing computations and building models. The article further explains the differences between variables and constants in TensorFlow, their roles in the process of training neural networks, and the methods used to modify or update tensor values. Emphasis is placed on how TensorFlow’s data structures enable efficient automatic differentiation and optimization of model parameters. The material is accompanied by practical exercises and code examples designed for beginning researchers and students learning machine learning technologies. The presented examples demonstrate the creation of simple computational models, the use of core TensorFlow operations, and the connection between theoretical principles and their programmatic implementation. The article can serve as an introductory guide for those taking their first steps in studying TensorFlow and seeking to develop confident practical skills with this library.
