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:

tf.fill([2,3],9)

返回的张量就是:

[[9 9 9]
 [9 9 9]]

生成序列

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:

a = tf.linspace(1.0, 10.0, 10, name='lin1')

输出:

[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
tf.range(start, limit, delta, dtype=None, name=None)

例如:

a = tf.range(1, 5, 1)

输出:

[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

# 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
)
# 例如
a = tf.random_uniform([2,3], minval=1.0, maxval=5.0, dtype=tf.float32)
# 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

# 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
)
a = tf.random_normal([2,3], mean=3.0, stddev=1.0, dtype=tf.float32)
[[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

# 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我们。

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。