TensorFlow如何生成常量、序列和隨機值

這篇文章將為大家詳細講解有關TensorFlow如何生成常量、序列和隨機值，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

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數：

tf.zeros(shape, dtype=tf.float32, name=None)

三個參數的意思顯而易見，返回指定形狀的全零張量

tf.zeros_like(tensor, dtype=None, name=None, optimizer=True) 與函數的名字一致，傳入一個張量，最后返回一個張量，與傳入的張量擁有一樣的形狀和數據類型，也可以自己傳入dtype指定數據類型

tf.ones() 和tf.ones_like()與之前的函數對應一致

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)

函數名稱與Numpy中序列的函數一樣，只是參數部分進行了簡化，前兩個參數分別指定了開始和結束的值，num指定了要生成的數量，最后則是名稱，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, dtype=None, 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數如下：

生成均勻分布的隨機張量

# 調用格式
random_uniform(
  shape,
  minval=0,
  maxval=None,  # 最大值以及最小值
  dtype=tf.float32,
  seed=None,   # 指定種子
  name=None
)

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

# 輸出
[[4.458698 4.091486 4.3704953]
 [3.893827 2.7951822 2.2381153]]

生成服從正態分布的隨機張量

# 調用格式
random_normal(
  shape,
  mean=0.0,   # 均值
  stddev=1.0,  # 標準差
  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 ]]

生成服從截斷正態分布的隨機張量

# 調用格式
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 ]]

這個函數與正態分布的函數使用時一樣的，只是增加了 “截斷” 也就是限制每個元素的取值，如果其平均值大于 2 個標準差的值將被丟棄并重新選擇 。

關于“TensorFlow如何生成常量、序列和隨機值”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。