基于TensorFlow常量、序列以及随机值生成实例
人气:0TensorFlow 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。
您可能感兴趣的文章:
加载全部内容