基於TensorFlow常量、序列以及隨機值生成例項
阿新 • • 發佈:2020-01-09
TensorFlow 生成 常量、序列和隨機值
生成常量
tf.constant()這種形式比較常見,除了這一種生成常量的方式之外,像Numpy一樣,TensorFlow也提供了生成集中特殊的常量的函式:
tf.zeros(shape,dtype=tf.float32,name=None)
三個引數的意思顯而易見,返回指定形狀的全零張量
tf.zeros_like(tensor,dtype=None,name=None,optimizer=True) 與函式的名字一致,傳入一個張量,最後返回一個張量,與傳入的張量擁有一樣的形狀和資料型別,也可以自己傳入dtype指定資料型別
tf.ones() 和tf.ones_like()與之前的函式對應一致
tf.fill(shape,value,name=None) 返回填滿指定輸入的數值的張量,例如:
tf.fill([2,3],9)
返回的張量就是:
[[9 9 9] [9 9 9]]
生成序列
tf.linspace(start,stop,num,name=None)
函式名稱與Numpy中序列的函式一樣,只是引數部分進行了簡化,前兩個引數分別指定了開始和結束的值,num指定了要生成的數量,最後則是名稱,例如:
a = tf.linspace(1.0,10.0,10,name='lin1')
輸出:
[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
tf.range(start,limit,delta,name=None)
例如:
a = tf.range(1,5,1)
輸出:
[1 2 3 4]
隨機張量
隨機值在TensorFlow中很重要,很多情況下的初始值往往會隨機值,常用的隨機值生成函式如下:
生成均勻分佈的隨機張量
# 呼叫格式 random_uniform( shape,minval=0,maxval=None,# 最大值以及最小值 dtype=tf.float32,seed=None,# 指定種子 name=None )
# 例如 a = tf.random_uniform([2,minval=1.0,maxval=5.0,dtype=tf.float32)
# 輸出 [[4.458698 4.091486 4.3704953] [3.893827 2.7951822 2.2381153]]
生成服從正態分佈的隨機張量
# 呼叫格式 random_normal( shape,mean=0.0,# 均值 stddev=1.0,# 標準差 dtype=tf.float32,name=None )
a = tf.random_normal([2,mean=3.0,stddev=1.0,dtype=tf.float32)
[[3.65199 1.879906 2.1775374] [1.6041888 1.503772 2.704612 ]]
生成服從截斷正態分佈的隨機張量
# 呼叫格式 tf.truncated_normal( shape,name=None ) [[4.477414 2.9767075 2.377511 ] [2.7083392 4.2639837 2.497882 ]]
這個函式與正態分佈的函式使用時一樣的,只是增加了 “截斷” 也就是限制每個元素的取值,如果其平均值大於 2 個標準差的值將被丟棄並重新選擇 。
以上這篇基於TensorFlow常量、序列以及隨機值生成例項就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。