tensorflow接口研讀constant_op

constant_op函數(shù)使用嗤堰,分為生成常量冷溃,序列以及隨機(jī)值浴骂。隨機(jī)種子在文末介紹使用方法乓土。

2.1 tf.zeros(shape, dtype=tf.float32, name=None)
功能:生成一個值全為0的tensor。默認(rèn)為float32類型。
輸入:shape:一維的int32型的列表趣苏。
例:
a=tf.zeros([2,3])

a==>[[0. 0. 0.]
     [0. 0. 0.]]
2.2 tf.zeros_like(tensor, dtype=None, name=None, optimize=True)
功能:生成一個值全為0的tensor狡相,其形狀與輸入tensor相同。
輸入:dtype:未指定時返回tesnsor的類型
例:
x=tf.constant([1,2,3,4,5,6],shape=[2,3])
a=tf.zeros_like(x)

a==>[[0. 0. 0.]
     [0. 0. 0.]]
2.3 tf.ones(shape, dtype=tf.float32, name=None)
功能:生成一個值全為1的tensor食磕。默認(rèn)為float32類型尽棕。
輸入:shape:一維的int32型的列表。
例:
a=tf.ones([2,3]])

a==>[[1. 1. 1.]
     [1. 1. 1.]]
2.4 tf.ones_like(tensor, dtype=None, name=None, optimize=True)
功能:生成一個值全為1的tensor彬伦,其形狀與輸入tensor相同滔悉。
輸入:dtype:未指定時返回tesnsor的類型
例:
x=tf.constant([1,2,3,4,5,6],shape=[2,3])
a=tf.ones_like(x)

a==>[[1. 1. 1.]
     [1. 1. 1.]]
2.5 tf.fill(dims, value, name=None)
功能:生成一個值全為value的tensor,其形狀與dims相同单绑。
輸入:dims:一維的int32型的列表回官,
例:
a=tf.fill([2,3],7)

a==>[[7. 7. 7.]
     [7. 7. 7.]]
2.6 tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
功能:生成一個常量tensor
輸入:value:一個常量,或者一個list;
     dtype:數(shù)據(jù)類型;
     shape:生成形狀搂橙。
例:
a=tf.constant([1,2,3,4,5,6],shape=[2,3])
b=tf.constant(2,shape=[2,3])

a==>[[1 2 3]
     [4 5 6]]
b==>[[2 2 2]
     [2 2 2]]
2.7 tf.linspace(start, stop, num, name=None)
功能:生成在區(qū)間[start,stop]中定長間隔的值歉提。序列值的間隔大小為‘(stop-start)/(num-1)’
輸入:start:區(qū)間起始值,類型為float32或float64;
     stop:區(qū)間中止值区转,類型為float32或float64;
     num:生成數(shù)據(jù)數(shù)量苔巨。
例:
a=tf.linspace(1.,7.,4)

a==>[1. 3. 5. 7.]
2.8 tf.range(start, limit=None, delta=1, dtype=None, name='range')
功能:生成一個序列值,從start開始蜗帜,每次遞增delta恋拷,直到不超過limit的值結(jié)束。
輸入:start:起始值;
     limit:限制值厅缺,不能超過;
     delta:步長蔬顾。
例:
a=tf.range(1,10,3)

a==>[1 4 7]
2.9 tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
功能:從正太分布中隨機(jī)輸出。
輸入:shape:一維整型tensor湘捎,指定tensor的形狀;
     mean:正太分布的平均值诀豁,默認(rèn)為0;
     stddev:正太分布的標(biāo)準(zhǔn)差,默認(rèn)為1;
     seed:隨機(jī)種子窥妇。
例:
a=tf.random_normal([2,2],seed=112)

a==>[[-0.72891599 -1.35909426]
     [ 0.06045228  1.12680387]]
2.10 tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
功能:從截斷正太分布中隨機(jī)輸出舷胜。
輸入:shape:一維整型tensor,指定tensor的形狀;
     mean:正太分布的平均值活翩,默認(rèn)為0;
     stddev:正太分布的標(biāo)準(zhǔn)差烹骨,默認(rèn)為1;
     seed:隨機(jī)種子。
例:
a=tf.truncated_normal([2,2],seed=112)

a==>[[-0.72891599 -1.35909426]
     [ 0.06045228  1.12680387]]
2.11 tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)
功能:從均勻分布中隨機(jī)輸出材泄,默認(rèn)區(qū)域為‘[0,1)’沮焕。
輸入:shape:一維整型tensor,指定tensor的形狀;
     minval:均勻分布的最小值拉宗,默認(rèn)為0;
     maxval:均勻分布的最大值峦树,如果類型為float32則默認(rèn)為1;
     seed:隨機(jī)種子辣辫。
例:
a=tf.random_uniform([2,2],seed=112)

a==>[[0.30445623 0.57834935]
     [0.52905083 0.00853038]]
2.12 tf.random_shuffle(value, seed=None, name=None)
功能:將tensor第一個維度的數(shù)據(jù)重新隨機(jī)排列。
輸入:value:tensor魁巩。
    seed:隨機(jī)種子急灭。
例:
x=tf.constant([1,2,3,4,5,6],shape=[3,2])
a=tf.random_shuffle(x,seed=11)

a==>[[5 6]
     [3 4]
     [1 2]]
2.13 tf.random_crop(value, size, seed=None, name=None)
功能:將tensor按照指定大小進(jìn)行隨機(jī)裁剪。
輸入:value:tensor;
    size:裁剪后的大小谷遂,size<=value.shape葬馋,如果不想改變大小,應(yīng)配置為value的shape埋凯。
例:
x=tf.constant([1,2,3,4,5,6,7,8,9],shape=[3,3])
a=tf.random_crop(x,size=[2,2],seed=11)

a==>[[2 3]
     [5 6]]
2.14 tf.multinomial(logits, num_samples, seed=None, name=None)
功能:繪制多項式分布点楼。
輸入:logits:shape為[batch_size,num_classes]的2維tensor,每行[i白对,:]代表每類出現(xiàn)的概率。 
     num_samples:獨立采樣數(shù)目换怖。
例:
x=tf.constant([[1,1,1]],dtype=tf.float32)#表示有3類甩恼,出現(xiàn)概率相等。
a = tf.multinomial(x, 10)

a==>[[0 0 2 1 2 1 2 0 0 1]]
2.15 tf.random_gamma(shape, alpha, beta=None, dtype=tf.float32, seed=None, name=None)
功能:對每一個給定的gamma分布進(jìn)行shape尺度的采樣沉颂。
     例如samples = tf.random_gamma([30], [[1.],[3.],[5.]], beta=[[3., 4.]])
      即給定了6個gamma分布条摸,每個分布輸出30個數(shù)據(jù),輸出tensor形狀為[30,3,2]铸屉。
輸入:shape:每一個gamma分布進(jìn)行采樣的尺度;
     alpha: gamma分布的alpha變量钉蒲,可以為任意尺度,但需和beta對應(yīng);
     beta:gamma分布的beta變量彻坛。
例:
a = tf.random_gamma([2], [0.5, 1.5])#每一片應(yīng)為[:,0],[:,1]

a==>[[3.03589034e+00 2.56953764e+00]
     [2.959940042e-03 3.52107930e+00]]
2.16 tf.set_random_seed(seed)
功能:設(shè)置隨機(jī)數(shù)種子顷啼。
     為確保每次隨機(jī)數(shù)生成數(shù)據(jù)一致,可以設(shè)置隨機(jī)數(shù)種子昌屉。隨機(jī)種子有兩種設(shè)置方法:
         1钙蒙、op級別的設(shè)置,如前文提高的隨機(jī)輸入tf.random_shuffle(value, seed=None, name=None)中间驮,
          函數(shù)變量seed即設(shè)置種子值躬厌。
         2、graph級別竞帽,即tf.set_random_seed(seed)函數(shù)扛施,可使整個graph的隨機(jī)數(shù)產(chǎn)生從設(shè)置種子中獲取。
例:
    1屹篓、未設(shè)置種子
     a=tf.random_uniform([1])
     b=tf.random_normal([1])
     print("Session 1")
     with tf.Session() as sess1:
         tf.global_variables_initializer().run()
         print sess1.run(a)
         print sess1.run(a)
         print sess1.run(b)
         print sess1.run(b)
     print("Session 2")
     with tf.Session() as sess2:
         tf.global_variables_initializer().run()
         print sess2.run(a)
         print sess2.run(a)
         print sess2.run(b)
         print sess2.run(b)
    運(yùn)行結(jié)果為:
      Session 1
      [ 0.71059418]
      [ 0.71678996]
      [ 0.27808592]
      [ 0.77504641]
      Session 2
      [ 0.45193291]
      [ 0.74479854]
      [-0.01035937]
      [ 0.54787332]
      因沒有設(shè)置隨機(jī)種子疙渣,每次運(yùn)行結(jié)果都不一樣
    2、設(shè)置op級別種子
     a=tf.random_uniform([1],seed=1)
     b=tf.random_normal([1])
     print("Session 1")
     with tf.Session() as sess1:
         tf.global_variables_initializer().run()
         print sess1.run(a)
         print sess1.run(a)
         print sess1.run(b)
         print sess1.run(b)
     print("Session 2")
     with tf.Session() as sess2:
         tf.global_variables_initializer().run()
         print sess2.run(a)
         print sess2.run(a)
         print sess2.run(b)
         print sess2.run(b)
    運(yùn)行結(jié)果為:
      Session 1
      [ 0.23903739]
      [ 0.22267115]
      [-0.48983803]
      [-0.13116723]
      Session 2
      [ 0.23903739]
      [ 0.22267115]
      [-1.77008951]
      [-0.18568291]
      變量a設(shè)置為種子1抱虐,每次運(yùn)行按照種子進(jìn)行取數(shù)昌阿,每個Session都從種子的第一個數(shù)開始取值。
    3、設(shè)置graph級別種子
     tf.set_random_seed(1)
     a=tf.random_uniform([1])
     b=tf.random_normal([1])
     print("Session 1")
     with tf.Session() as sess1:
         tf.global_variables_initializer().run()
         print sess1.run(a)
         print sess1.run(a)
         print sess1.run(b)
         print sess1.run(b)
     print("Session 2")
     with tf.Session() as sess2:
         tf.global_variables_initializer().run()
         print sess2.run(a)
         print sess2.run(a)
         print sess2.run(b)
         print sess2.run(b)
    運(yùn)行結(jié)果為:
      Session 1
      [ 0.77878559]
      [ 0.0978868]
      [-0.4487586]
      [-0.82540691]
      Session 2
      [ 0.77878559]
      [ 0.0978868]
      [-0.4487586]
      [-0.82540691]
      設(shè)置graph級種子后懦冰,兩次運(yùn)行結(jié)果完全一致灶轰。
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市刷钢,隨后出現(xiàn)的幾起案子笋颤,更是在濱河造成了極大的恐慌,老刑警劉巖内地,帶你破解...
    沈念sama閱讀 216,544評論 6 501
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件伴澄,死亡現(xiàn)場離奇詭異,居然都是意外死亡阱缓,警方通過查閱死者的電腦和手機(jī)非凌,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,430評論 3 392
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來荆针,“玉大人敞嗡,你說我怎么就攤上這事『奖常” “怎么了喉悴?”我有些...
    開封第一講書人閱讀 162,764評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長玖媚。 經(jīng)常有香客問我箕肃,道長,這世上最難降的妖魔是什么今魔? 我笑而不...
    開封第一講書人閱讀 58,193評論 1 292
  • 正文 為了忘掉前任勺像,我火速辦了婚禮,結(jié)果婚禮上涡贱,老公的妹妹穿的比我還像新娘咏删。我一直安慰自己,他們只是感情好问词,可當(dāng)我...
    茶點故事閱讀 67,216評論 6 388
  • 文/花漫 我一把揭開白布督函。 她就那樣靜靜地躺著,像睡著了一般激挪。 火紅的嫁衣襯著肌膚如雪辰狡。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,182評論 1 299
  • 那天垄分,我揣著相機(jī)與錄音宛篇,去河邊找鬼。 笑死薄湿,一個胖子當(dāng)著我的面吹牛叫倍,可吹牛的內(nèi)容都是我干的偷卧。 我是一名探鬼主播,決...
    沈念sama閱讀 40,063評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼吆倦,長吁一口氣:“原來是場噩夢啊……” “哼听诸!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起蚕泽,我...
    開封第一講書人閱讀 38,917評論 0 274
  • 序言:老撾萬榮一對情侶失蹤晌梨,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后须妻,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體仔蝌,經(jīng)...
    沈念sama閱讀 45,329評論 1 310
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,543評論 2 332
  • 正文 我和宋清朗相戀三年荒吏,在試婚紗的時候發(fā)現(xiàn)自己被綠了敛惊。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 39,722評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡绰更,死狀恐怖豆混,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情动知,我是刑警寧澤,帶...
    沈念sama閱讀 35,425評論 5 343
  • 正文 年R本政府宣布员辩,位于F島的核電站盒粮,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏奠滑。R本人自食惡果不足惜丹皱,卻給世界環(huán)境...
    茶點故事閱讀 41,019評論 3 326
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望宋税。 院中可真熱鬧摊崭,春花似錦、人聲如沸杰赛。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,671評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽乏屯。三九已至根时,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間辰晕,已是汗流浹背蛤迎。 一陣腳步聲響...
    開封第一講書人閱讀 32,825評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留含友,地道東北人替裆。 一個月前我還...
    沈念sama閱讀 47,729評論 2 368
  • 正文 我出身青樓校辩,卻偏偏與公主長得像,于是被迫代替她去往敵國和親辆童。 傳聞我的和親對象是個殘疾皇子宜咒,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 44,614評論 2 353

推薦閱讀更多精彩內(nèi)容