basics/dl_basics_part_1.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "আপনই যদি টেন্সরফ্লো ২.* ইন্সটল করতে চান তাহলে pip বা conda প্যাকেজ ম্যানেজার ব্যবহার করে করেতে পারেন । নিচে আমি pip দিয়ে ইন্সটল করা দেখাব । \n",
    "\n",
    "আপনি যদি [colab](colab.research.google.com/) ব্যবহার করেন তাহলে ইন্সটল করার দরকার নাই । colab এ বাইডিফল্ট ইন্সটল করা থাকে । শুধু আপনাকে \n",
    "টেন্সরফ্লো ২.* এনাবল করে নিতে হবে । এর জন্য আপনাকে টেন্সরফ্লো ইম্পোট করার আগে এই কমান্ড দিতে হবে । \n",
    "\n",
    "`%tensorflow_version 2.x`"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "!pip install -qq tensorflow\n",
    "!pip install matplotlib # ডাটা প্লট করার জন্য এইটা লাগবে । "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "আপনার টেন্সরফ্লোর ভার্সন দেখার জন্য এই ভাবে লিখতে হবে । "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "2.1.0\n"
     ]
    }
   ],
   "source": [
    "import tensorflow as tf\n",
    "\n",
    "print(tf.__version__)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "\n",
    "# টেন্সরফ্লো ২.০ ও কেরাস এর সংক্ষিপ্ত বিবরণ\n",
    "\n",
    "টেন্সরফ্লো ও কেরাস দুইটাই এখন থেকে প্রায় ২ বছর আগে রিলিজ হয়েছিল । কেরাস ২০১৫ সালের মার্চ মাসে এবং টেন্সরফ্লো নভেম্বার মাসে যাত্রা শুরু করে ।\n",
    "\n",
    "প্রায় ৪ বছর পার হতে চলছে । এই সময়ের মাঝে টেন্সরফ্লো ১.* + কেরাস নিয়ে ডেভলপার ও গবেষকরা যেমন অনেক বড়বড় কাজ কাজ করেছে । এই কাজগুলো করতে  গিয়ে বেশ কিছু সমস্যারও সম্মুখীন হয়েছে । সমস্যাগুলো এই রকম\n",
    "\n",
    "- টেন্সরফ্লো দিয়ে যে কম্পিউটেশন গ্রাফ বানানো হয় সেটা একটা স্ট্যাটিক গ্রাফ । অর্থাৎ কম্পিউটেশন গ্রাফ একবার ডিফাইন কোরার পরে এইটা আর পরিবর্তন কোরা যায় না । বিষয়টা যদি আরও ভেঙ্গে বলতে হয় তাহলে এই ভাবে বলা যেতে পারে । মনে করেন আপনার কম্পিউটেশন গ্রাফে ১০০ টা নোড আছে । এখন আপনি চাচ্ছেন এই কম্পিউটেশন গ্রাফের বিভিন্ন প্যারামিটার যখন কম্পিউট করবেন তখন ডাইন্যামিক্যালই কিছু নোড এড বা ডিলিট করবেন । এই কাজটা আপনি করতে পারবেন না ।   \n",
    "- নর্মাল প্রোগ্রামিং এ ডিবাগ কোরা খুব সহজ । কারণ আপনি লাইন বাই লাইন এক্সিকিউত করে কোন ভারিয়েবল কি করতেছে সেটা প্রিন্ট করে দেখতে পারেন । কিন্তু টেন্সরফ্লো তে আপনি এটা করতে পারবেন না । এবং আমরা যারা প্রোগ্রামার এবং আমরা যেভাবে কাজ করি, টেন্সরফ্লোর এই বিশিষ্ট আমাদের সাথে যায় না । এবং এই ধরনের প্রোগ্রামিং প্যারাডাইমের সাথে খাপ খাওয়া বেশ কঠিন ।\n",
    "- টেন্সরফ্লো এপিআই খুব শক্তিশালী ও ফ্লেক্সিবল কিন্তু এটা কিছু কিছু ক্ষেত্রে কনফিউসিং এবং সঠিক ভাবে এপআই ব্যবহার করা বেশ কঠিন । \n",
    "- অন্যদিকে কেরাস ব্যবহার করা খুব সহজ । কেরাস ব্যবহার করে খুব দ্রুত এক্সপেরিমেন্ট করা যায় । কিন্তু এটা সমস্যা হল এটা টেন্সরফ্লোর মত অতটা ফ্লেক্সিবল না । ফ্লেক্সিবল বলতে বোঝান হচ্ছে যে এটা নিজের মত করে কাস্টমাইজ করা টেন্সরফ্লোর তুলনায় বেশ কঠিন ।   \n",
    "\n",
    "\n",
    "টেন্সরফ্লো ২.* এ টেন্সরফ্লো ১.* কে নতুন করে ডিজাইন করা হয়েছে । এবং টেন্সরফ্লো ও কেরাস কে একসাথে মার্জ করা হয়েছে । যার ফলে এখন টেন্সরফ্লো থেকেই কেরাস এর সকল এপিএই ব্যবহার করা যাবে । টেন্সরফ্লো ১.* এর যে সমস্যা গুলো ছিল সেগুলো ২.* এ সমাধান করা হয়েছে । এবং এটা করা হয়েছে এই দীর্ঘ ৪ বছরে ডেভলপার কাছে থেকে বিভিন্ন সময় ফিডব্যাক নিয়ে ।  \n",
    "\n",
    "টেন্সরফ্লো ২.* এ নিচের আইডিয়া গুলো ইমপ্লিমেন্ট করা হয়েছে যেগুলো টেন্সরফ্লো ১.* ছিল না । \n",
    "\n",
    "- এখন টেন্সরফ্লোর কম্পিউটেশন (Numpy)[https://numpy.org/] মত করা যাবে । এবং আমরা নরমাল পাইথন কোড যেভাবে লিখি সেইভাবেই কোড লিখা যাবে । - স্ট্যাটিক গ্রাফ কম্পিউটেসনের সুবিধা এখানে রাখা হইছে । এটা রাখার মুল কারণ হল এর ফলে কম্পিউটেস খুব দ্রুত করা সম্ভব হয় যেটা ডাইনামিক গ্রাফে এখন পর্যন্ত সম্ভব না । \n",
    "- টেন্সরফ্লো ২.* এ কেরাস কে হাই লেভেল ডিপ লার্নিং এপিআই হিসাবে রাখা হয়েছে । এটা করার কারণ যাতে নতুনরা খুব সহজে এটা নিয়ে কাজ করতে পারে । \n",
    "- টেন্সরফ্লো ২.* এর মাঝে কেরাস কে এমন ভাবে ডিজাইন করা হয়েছে যারা ফলে হাই লেভেল (সহজে ব্যবহার করা যায় কিন্তু কম ফ্লেক্সিবল) + লো-লেভেল এপিআই (ব্যবহার করার জন্য বটেন্সরফ্লোর উপর বেশ ভাল দক্ষতা প্রয়োজন কিন্তু এটা খুবই ফ্লেক্সিবল) কোনরকম হেসেল ছাড়াই একসাথে ব্যবহার করা যায় ।  \n",
    "\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# টেন্সরফ্লোর প্রথমিক ধারনা \n",
    "\n",
    "###  টেন্সরফ্লোর নাম কেন টেন্সরফ্লো\n",
    "\n",
    "এটা ডাটার ফ্লো হ্যান্ডলে করে । ডাটা কিভাবে নেটওয়ার্কের মধ্যে দিয়ে পাস হবে সেটা ডিফাইন করে । এবং ডাটাগুলো রাখা হয় টেনসর আকাটা । এই জন্য এটার নাম দেয়া হয়েছে টেন্সরফ্লো ।  \n",
    "\n",
    "### টেন্সর কি জিনিস \n",
    "\n",
    "আমরা জানি অ্যারে একটা ডাটা টাইপ । টেন্সর একটা N ডাইমেসন অ্যারে । \n",
    "\n",
    "আপনি যদি একটা [কনস্টেন্ট](https://www.tensorflow.org/api_docs/python/tf/constant) টেন্সর ডিফাইন করতে চান তাহলে এই ভাবে করতে হবে । "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "tf.Tensor(\n",
      "[[5 2]\n",
      " [1 3]], shape=(2, 2), dtype=int32)\n"
     ]
    }
   ],
   "source": [
    "x = tf.constant([[5, 2], [1, 3]])\n",
    "print(x)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "এখানে আমরা দেখতে পাচ্ছি যে আমরা যে ভেলুগুলো দিয়ে কনস্টেন্ট টাইপ টেন্সর ডিফাইন করলাম সেটা ভালুর সাথে আরও দুইটা জিনিস দেখাচ্ছে । \n",
    "\n",
    "- shape=(2, 2)\n",
    "- dtype=int32\n",
    "\n",
    "এটা যেহেতু ২x২ টেন্সর সেহেতু `shape=(2, 2)` দেখাচ্ছে । আর এখানে যেহেতু সবগুলো ভেলু ইন্টিজার সেহেতু ডাইন্যামিক্যালি ডাটা টাইপ `int32` বুঝে নিয়েছে । আপনি যদি এই ৪ টা সংখ্যার যেকোনো একটা সংখ্যা কে `float` হিসাবে দেন তাহলে দেখবেন `dtype=float32` দেখাচ্ছে । আপনি ৫ এর জায়গায় ৫.১ দিয়ে দেখতে পারেন । \n",
    "\n",
    "আপনি চাইলে টেন্সর ভেরিয়েবল ডিফাইন করার সময়ও ডাটা টাইপ ডিফাইন করে দিতে পারেন । নিচের মত করে "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "tf.Tensor(\n",
      "[[5 2]\n",
      " [1 3]], shape=(2, 2), dtype=int16)\n"
     ]
    }
   ],
   "source": [
    "x = tf.constant([[5, 2], [1, 3]], dtype='int16')\n",
    "print(x)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "এখন আপনি চাচ্ছেন x প্রিন্ট করলে numpy এ যেভাবে প্রিন্ট করে সেভাবে প্রিন্ট করবে । এটা করার জন্য আপনাকে `.numpy()` ব্যবহার করতে হবে । এটা টেন্সরফ্লো ২.* এ নতুন এড করা হয়েছে । টেন্সরফ্লো ১.* আপনি এটা পাবেন না । "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "array([[5, 2],\n",
       "       [1, 3]], dtype=int16)"
      ]
     },
     "execution_count": 4,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "x.numpy()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "ভেরিয়েবলের ডাটা টাইপ ও শেপ পাওয়ার জন্য আপনি এই ভাবে লিখতে পারেন ।"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "dtype: <dtype: 'int16'>\n",
      "shape: (2, 2)\n"
     ]
    }
   ],
   "source": [
    "print('dtype:', x.dtype)\n",
    "print('shape:', x.shape)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "আপনি যদি ০ এবং ১ দিয়ে টেন্সর ইনিসিয়ালাইজ করতে চান তাহলে এই ভাবে করতে পারেন ।"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 6,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "tf.Tensor(\n",
      "[[1. 1.]\n",
      " [1. 1.]], shape=(2, 2), dtype=float32)\n",
      "tf.Tensor(\n",
      "[[0. 0.]\n",
      " [0. 0.]], shape=(2, 2), dtype=float32)\n"
     ]
    }
   ],
   "source": [
    "print(tf.ones(shape=(2, 2)))\n",
    "print(tf.zeros(shape=(2, 2)))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## টেন্সরে rank কি ? \n",
    "\n",
    "আমরা অ্যারের ডাইমেসন সম্পর্কে জানি । টেন্সরের Rank এবং ডাইমেসন একই জিনিস । Rank এর উপর নির্ভর করে টেন্সরের গাণিতিক নাম (টেবিল লক্ষ করেন) আলাদা আলাদা হয় । নিচে আমরা কিছু উদারন দেখি । "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "Rank is: 0\n",
      "Rank is: 1\n",
      "Rank is: 2\n",
      "Rank is: 3\n",
      "Rank is: 4\n"
     ]
    }
   ],
   "source": [
    "rank_0 = tf.Variable(7)\n",
    "rank_1 = tf.Variable([7])\n",
    "rank_2 = tf.Variable([[1, 2], [3, 4]])\n",
    "rank_3 = tf.Variable([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])\n",
    "rank_4 = tf.reshape(tf.range(start=0, limit=24, delta=1), shape=[2, 3, 2, 2])\n",
    "\n",
    "ranks = [rank_0, rank_1, rank_2, rank_3, rank_4]\n",
    "\n",
    "for rank in ranks:\n",
    "    print(\"Rank is:\", tf.rank(rank).numpy())"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "কোন একটা টেন্সরের ডাইমেসনের / র‍্যঙ্ক এর উপর ভিত্তি করে এটা কে কি বলে সেটা নিচের টেবিলে দেখান হল । \n",
    "\n",
    "|Rank | Math entity                      | Example              |\n",
    "|-----|----------------------------------|-----------------------\n",
    "| 0   | Scalar (magnitude only)          |[1.5]\n",
    "| 1   | Vector (magnitude and direction) |[2, 3, 5, 8 11]\n",
    "| 2   | Matrix (table of numbers)        |[[1, 2], [3, 4]]\n",
    "| 3   | 3-Tensor (cube of numbers)       |[[[1], [2]], [[3], [4]]]\n",
    "| n   | n-Tensor (you get the idea)      |[[[1, 2], [3, 4], [5, 6]], [[7, 8], [9, 10], [11, 12]]]\n",
    "\n",
    "টেবিল থেকে দেখতে পাচ্ছি যে rank ০ হলে সেটার নাম sclar, ১ হলে সেটা নাম ভেক্টর, ২ হলে সেটার নাম মেট্রিক্স ৩ হলে ৩ ডাইমেসন টেন্সর এভাবে চলতে থাকবে "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Probability distribution\n",
    "\n",
    "এখন আমরা দেখি যে বিভিন্ন probability distribution এর উপর ভিত্তিক করে টেন্সরফ্লোতে কিভাবে র‍্যান্ডম নাম্বার কিভাবে জেনারেট করা যায় । \n",
    "\n",
    "প্রথমে দেখি [নরমাল ডিসট্রিবিউসন](https://www.tensorflow.org/api_docs/python/tf/random/normal):"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "image/png": "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\n",
      "text/plain": [
       "<Figure size 432x288 with 1 Axes>"
      ]
     },
     "metadata": {
      "needs_background": "light"
     },
     "output_type": "display_data"
    }
   ],
   "source": [
    "from matplotlib import pyplot as plt\n",
    "\n",
    "N = 100\n",
    "normal_dist = tf.random.normal(shape=(N,), mean=0., stddev=1.)\n",
    "plt.plot(normal_dist)\n",
    "plt.xlabel('Random number idx')\n",
    "plt.ylabel('N random value')\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "উপরের ছবি থেকে দেখা যাচ্ছে যে । বেশিভাগ র‍্যান্ডম সংখ্যা ০ এর আসে-পাসে জেনারেট করেছে (কারণ আমরা mean=0. বলে দিয়েছি) এবং সংখ্যা গুলো mean থেকে ১ এর আসে পাসে ঘুরা ঘুরি করছে । এর কারণ হল আমরা stddev=1. ব্যবহার করেছি ।  stddev=1. সেট করে আমরা বলে দিয়েছি যে, যে সংখ্যা গুলো জেনারেট হবে সেগুলোর দূরত্ব mean থেকে ১ এর কাছাকাছি হবে । আপনারা mean=0., stddev=1. এর বিভিন্ন মান দিয়ে ডাটা প্লট করে দেখতে পারেন । "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "এখন দেখি [ইউনিফরম ডিসট্রিবিউসন](https://www.tensorflow.org/api_docs/python/tf/random/uniform):"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 9,
   "metadata": {},
   "outputs": [
    {
     "data": {
      "text/plain": [
       "<tf.Tensor: shape=(4, 4), dtype=int32, numpy=\n",
       "array([[2, 9, 5, 4],\n",
       "       [2, 3, 9, 0],\n",
       "       [5, 0, 9, 7],\n",
       "       [3, 0, 7, 7]], dtype=int32)>"
      ]
     },
     "execution_count": 9,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "tf.random.uniform(shape=(4, 4), minval=0, maxval=10, dtype='int32')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "এখানে দেখা যাচ্ছে যে সব সংখ্যা ০ থেকে ১০ এর মাঝেই জেনারট করেছে\n",
    "\n",
    "বিভিন্ন সম্পর্কে জানতে দেখতে পারেন [probability distribution](https://www.analyticsvidhya.com/blog/2017/09/6-probability-distributions-data-science/)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Variables কি "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "এই পর্যন্ত আমরা যে টেন্সর দেখলাম সবগুলো কনস্টেন্ট টেন্সর । অর্থাৎ এটা একবার ইনিসিয়ালাইজ করার পরে আর পরিবর্তন করা যায় না । এখন আমার এমন একটা টেন্সরের প্রয়োজন যেটা ইচ্ছা মত পরে পরিবর্তন করা যাবে । এই ধরনের ক্ষেত্রে আমাকে `tf.Varialbe()` দিয়ে টেন্সর ভারিয়েবল ডিফাইন করতে হবে । প্রোগ্রামিং এর ভাষায় এই ধরনের ভেরিয়েবল কে বলে মিউটেবল ভেরিয়েবল । নেটওয়ার্কে ওয়েট ইনিসিয়ালাইজ করার জন্য এটা ব্যবহার করা হয় কারণ নেটওয়ার্ক যখন ট্রেনিং করানো হয় তখন এই ওয়েট আপডেট করতে হয় । \n",
    "\n",
    "এটা সম্পর্কে আরও জানতে...[Variables](https://www.tensorflow.org/guide/variable) "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 11,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=\n",
      "array([[-0.00117146,  0.7254187 ],\n",
      "       [ 0.8542992 , -0.55369925]], dtype=float32)>\n"
     ]
    }
   ],
   "source": [
    "initial_value = tf.random.normal(shape=(2, 2))\n",
    "a = tf.Variable(initial_value)\n",
    "print(a)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "এই ভেরিয়েবল এর ভেলু আপডেট করতে চাইলে আমরা `.assign(value)`, বা `.assign_add(increment)` বা `.assign_sub(decrement)` ব্যবহার করতে পারি । নিচে একটা উদাহরণ দেখি । "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 12,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "value of a after assign new value: <tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=\n",
      "array([[1., 1.],\n",
      "       [1., 1.]], dtype=float32)>\n"
     ]
    }
   ],
   "source": [
    "new_value = tf.ones(shape=(2, 2))\n",
    "a.assign(new_value)\n",
    "for i in range(2):\n",
    "  for j in range(2):\n",
    "    a[i, j] == new_value[i, j]\n",
    "print('value of a after assign new value:', a)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "`.assign_add` এর একটা উদাহরণ দেখি "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 13,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "<tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=\n",
      "array([[2., 2.],\n",
      "       [2., 2.]], dtype=float32)>\n"
     ]
    }
   ],
   "source": [
    "added_value = tf.ones(shape=(2, 2))\n",
    "a.assign_add(added_value)\n",
    "for i in range(2):\n",
    "  for j in range(2):\n",
    "    a[i, j] == new_value[i, j] + added_value[i, j]\n",
    "print(a)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# টেন্সরফ্লো দিয়ে কমন কিছু ম্যাথ অপারেশন\n",
    "আপনি নামপাই এ যেভাবে ম্যাথ অপারেশন করেন ঠিক একই ভাবে টেন্সরফ্লোতেও করতে পারবেন । নামপাই এবং টেন্সরফ্লো এর মধ্যে মুল পার্থক্য হল টেন্সরফ্লো কোড আপনি CPU, [GPU](https://en.wikipedia.org/wiki/Graphics_processing_unit) এবং [TPU](https://en.wikipedia.org/wiki/Tensor_processing_unit) তে রান করতে পারবেন । "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 14,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "a: [1. 1. 1. 1.]\n",
      "b: [1. 1. 1. 1.]\n",
      "c: [2. 2. 2. 2.]\n",
      "square: [4. 4. 4. 4.]\n",
      "exp   : [54.59815 54.59815 54.59815 54.59815]\n"
     ]
    }
   ],
   "source": [
    "a = tf.ones(shape=(2, 2))\n",
    "b = tf.ones(shape=(2, 2))\n",
    "print('a:', a.numpy().flatten())\n",
    "print('b:', b.numpy().flatten())\n",
    "c = a + b\n",
    "print('c:', c.numpy().flatten())\n",
    "d = tf.square(c)\n",
    "print('square:', d.numpy().flatten())\n",
    "e = tf.exp(d)\n",
    "print('exp   :', e.numpy().flatten())"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python [conda env:tf2.x] *",
   "language": "python",
   "name": "conda-env-tf2.x-py"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.6"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 4
}