tensorflow编程: Constants, Sequences, and Random Values
tensorflow编程: Constants, Sequences, and Random Values
Constant Value Tensors
tf.zeros
tf.zeros (shape, dtype=tf.float32, name=None)
tf.zeros_like
tf.zeros_like (tensor, dtype=None, name=None, optimize=True)
tf.ones
tf.ones (shape, dtype=tf.float32, name=None)
tf.ones_like
tf.ones_like (tensor, dtype=None, name=None, optimize=True)
tf.fill
tf.fill (dims, value, name=None)
import tensorflow as tf
t = tf.fill(dims=[2, 5], value=0.1)
with tf.Session() as sess:
print sess.run(t)[[ 0.1 0.1 0.1 0.1 0.1]
[ 0.1 0.1 0.1 0.1 0.1]]tf.constant
tf.constant (value, dtype=None, shape=None, name=’Const’, verify_shape=False)
Sequences
tf.linspace
等间隔 取值。
tf.lin_space (start, stop, num, name=None)
注意：
start 和 stop 参数都必须是 浮点型；
取值范围也包括了 stop；
tf.lin_space 等同于 tf.linspace。
import tensorflow as tf
t_1 = tf.lin_space(start=10.0, stop=15.0, num=5)
t_2 = tf.lin_space(start=10.0, stop=15.0, num=6)
with tf.Session() as sess:
print sess.run(t_1)
print
print sess.run(t_2)# 取值个数为 5
[ 10. 11.25 12.5 13.75 15. ]
# 取值个数为 6
[ 10. 11. 12. 13. 14. 15.]tf.range
等价于 np.arange 。
完整的接口：
tf.range (start, limit, delta=1, dtype=None, name=’range’)
专为 0为起点，1为步长 设计的快捷接口（默认start=0, delta=1）：
tf.range (limit, delta=1, dtype=None, name=’range’)
import numpy as np
n_1 = np.arange(start=10, stop=0, step=-2)
n_2 = np.arange(5)
print n_1
print n_2
import tensorflow as tf
t_1 = tf.range(start=10, limit=0, delta=-2)
t_2 = tf.range(5)
with tf.Session() as sess:
print sess.run(t_1)
print sess.run(t_2)# 用 np.arange 生成的有序数列
[10 8 6 4 2]
[0 1 2 3 4]
# 用 tf.range 生成的有序数列
[10 8 6 4 2]
[0 1 2 3 4]Random Tensors
tf.random_normal
等价于 np.random.normal(均值， 标准差， 个数) 。
tf.random_normal (shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
import numpy as np
n_1 = np.random.normal(0, 1, size=[2, 5])
print n_1
import tensorflow as tf
t = tf.random_normal(shape=[2, 5], dtype=tf.float32)
with tf.Session() as sess:
print sess.run(t)# np.random.normal
[[-0.19322391 -0.34265808 0.06453351 0.8865113 0.52242084]
[ 0.11956765 -0.64113454 -1.34379807 -0.16189467 0.16823816]]
# tf.random_normal
[[ 1.16703379 0.63120824 1.2659812 0.42991444 -1.09538388]
[-0.49309424 0.65165377 1.05139613 1.37237358 2.1126318 ]]tf.random_uniform
从 均匀分布 中输出 随机值。
tf.random_uniform (shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)
在输出 浮点型定域随机值 时，等同于 np.random.uniform；区别在于， tf.random_uniform 还可以输出 整型定域随机值。
import numpy as np
n_1 = np.random.uniform(low=0, high=10, size=[2, 5])
print n_1
import random
n_2 = random.uniform(a=0, b=10)
print n_2
import tensorflow as tf
t_1 = tf.random_uniform(shape=[2, 5], minval=0, maxval=10, dtype=tf.float32)
t_2 = tf.random_uniform(shape=[2, 5], minval=0, maxval=10, dtype=tf.int32)
with tf.Session() as sess:
print sess.run(t_1)
print
print sess.run(t_2)# np.random.uniform，输出 浮点型定域随机值 数组
[[ 5.90669647 6.84431907 5.67390782 2.13535225 6.17888272]
[ 1.13832828 2.10978447 0.41073584 5.94850748 6.9064396 ]]
# random_uniform，输出 浮点型定域随机值 **单值**
9.2136666451
# tf.random_uniform，输出 浮点型定域随机值 数组
[[ 8.30479622 3.55791092 4.70838642 5.91044331 2.22215414]
[ 1.59040809 7.77726269 5.59780979 2.02908754 4.63784933]]
# tf.random_uniform，输出 整型定域随机值 数组
[[0 5 0 5 8]
[9 9 5 3 7]]tf.random_shuffle
洗牌神器
tf.random_shuffle (value, seed=None, name=None)
- 调用
random库（无返回值，仅在原seq上进行洗牌）：
seq = [[0, 0], [1, 1], [2, 2], [3, 3], [4, 5]]
import random
r = seq
random.shuffle(r)
print r
print 'seq: ', seq[[4, 5], [3, 3], [0, 0], [1, 1], [2, 2]]
# 原seq序列已被彻底改变
seq: [[4, 5], [3, 3], [0, 0], [1, 1], [2, 2]]- 调用
numpy库（无返回值，仅在原seq上进行洗牌）：
seq = [[0, 0], [1, 1], [2, 2], [3, 3], [4, 5]]
import numpy as np
r = seq
np.random.shuffle(r)
print r
print 'seq: ', seq[[3, 3], [2, 2], [0, 0], [4, 5], [1, 1]]
# 原seq序列已被彻底改变
seq: [[3, 3], [2, 2], [0, 0], [4, 5], [1, 1]]- 调用
tensorflow库（有返回值，并非在原seq上进行洗牌）：
seq = [[0, 0], [1, 1], [2, 2], [3, 3], [4, 5]]
import tensorflow as tf
t = tf.random_shuffle(value=seq)
with tf.Session() as sess:
print sess.run(t)
print 'seq: ', seq[[4 5]
[0 0]
[2 2]
[3 3]
[1 1]]
# 原seq序列不发生变化
seq: [[0, 0], [1, 1], [2, 2], [3, 3], [4, 5]]