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。