TensorFlow 生成 常量、序列和随机值
生成常量
tf.constant()这种形式比较常见，除了这一种生成常量的方式之外，像Numpy一样，TensorFlow也提供了生成集中特殊的常量的函数：
tf.zeros(shape, dtype=tf.float32, name=None)
三个参数的意思显而易见，返回指定形状的全零张量
tf.zeros_like(tensor, dtype=None, name=None, optimizer=True) 与函数的名字一致，传入一个张量，最后返回一个张量，与传入的张量拥有一样的形状和数据类型，也可以自己传入dtype指定数据类型
tf.ones() 和tf.ones_like()与之前的函数对应一致
tf.fill(shape, value, name=None) 返回填满指定输入的数值的张量，例如：
|
1
|
tf.fill([2,3],9) |
返回的张量就是：
|
1
2
|
[[9 9 9] [9 9 9]] |
生成序列
|
1
|
tf.linspace(start, stop, num, name=None) |
函数名称与Numpy中序列的函数一样，只是参数部分进行了简化，前两个参数分别指定了开始和结束的值，num指定了要生成的数量，最后则是名称，例如：
|
1
|
a = tf.linspace(1.0, 10.0, 10, name='lin1') |
输出：
|
1
|
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] |
|
1
|
tf.range(start, limit, delta, dtype=None, name=None) |
例如：
|
1
|
a = tf.range(1, 5, 1) |
输出：
|
1
|
[1 2 3 4] |
随机张量
随机值在TensorFlow中很重要，很多情况下的初始值往往会随机值，常用的随机值生成函数如下：
生成均匀分布的随机张量
|
1
2
3
4
5
6
7
8
9
|
# 调用格式random_uniform( shape, minval=0, maxval=None, # 最大值以及最小值 dtype=tf.float32, seed=None, # 指定种子 name=None) |
|
1
2
|
# 例如a = tf.random_uniform([2,3], minval=1.0, maxval=5.0, dtype=tf.float32) |
|
1
2
3
|
# 输出[[4.458698 4.091486 4.3704953] [3.893827 2.7951822 2.2381153]] |
生成服从正态分布的随机张量
|
1
2
3
4
5
6
7
8
9
|
# 调用格式random_normal( shape, mean=0.0, # 均值 stddev=1.0, # 标准差 dtype=tf.float32, seed=None, name=None) |
|
1
|
a = tf.random_normal([2,3], mean=3.0, stddev=1.0, dtype=tf.float32) |
|
1
2
|
[[3.65199 1.879906 2.1775374] [1.6041888 1.503772 2.704612 ]] |
生成服从截断正态分布的随机张量
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# 调用格式tf.truncated_normal( shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)[[4.477414 2.9767075 2.377511 ] [2.7083392 4.2639837 2.497882 ]] |
这个函数与正态分布的函数使用时一样的，只是增加了 “截断” 也就是限制每个元素的取值，如果其平均值大于 2 个标准差的值将被丢弃并重新选择 。
以上这篇基于TensorFlow常量、序列以及随机值生成实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/sinat_34328764/article/details/83278102
