Tensorflow Python API 翻譯（constant_op）

godlong_X 發(fā)布于2019-07-30 15:25 / 1070人閱讀

摘要：隨機數(shù)張量提供了一些函數(shù)，去幫助我們構(gòu)建隨機數(shù)張量。該值表示正態(tài)分布的均值。一個維的，或者一個數(shù)據(jù)類型是的值，該值表示正態(tài)分布的標(biāo)準(zhǔn)偏差。解釋這個函數(shù)返回一個隨機數(shù)序列，數(shù)組里面的值按照均勻分布，數(shù)據(jù)范圍是。

作者：chen_h
微信號 & QQ：862251340
微信公眾號：coderpai
簡書地址：https://www.jianshu.com/p/d05...

計劃現(xiàn)將 tensorflow 中的 Python API 做一個學(xué)習(xí)，這樣方便以后的學(xué)習(xí)。
原文鏈接

該章介紹有關(guān)常量張量，序列操作，隨機數(shù)張量的API

常量張量

Tensorflow提供了很多的操作，去幫助你構(gòu)建常量。

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

解釋：這個函數(shù)返回一個全是零的張量，數(shù)據(jù)維度是 shape，數(shù)據(jù)類型是 dtype。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")
print sess.run(data)

輸入?yún)?shù)：

shape: 一個整型的數(shù)組，或者一個一維的Tensor，數(shù)據(jù)類型是：int32。

dtype: 輸出結(jié)果Tensor的數(shù)據(jù)類型。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，里面的所以數(shù)據(jù)都是0。

tf.zeros_like(tensor, dtype = None, name = None)

解釋：這個函數(shù)返回一個全是零的張量，數(shù)據(jù)維度是和Tensor一樣，數(shù)據(jù)類型是默認(rèn)是和Tensor一樣，但是我們也可以自己指定。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")
d_1 = tf.zeros_like(data)
d_2 = tf.zeros_like(data, tf.float32)
print sess.run(d_1)
print sess.run(d_2)

輸入?yún)?shù)：

tensor: 一個Tensor。

dtype: 輸出結(jié)果Tensor的數(shù)據(jù)類型，必須是 float32，float64，int8，int16，int32，int64，uint8或者complex64。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，里面的所以數(shù)據(jù)都是0。

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

解釋：這個函數(shù)返回一個全是1的張量，數(shù)據(jù)維度是shape，數(shù)據(jù)類型是dtype。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.ones(shape = [2, 3], dtype = tf.int32, name = "input_data")
print sess.run(data)

輸入?yún)?shù)：

shape: 一個整型的數(shù)組，或者一個一維的Tensor，數(shù)據(jù)類型是 int32。

dtype: 輸出結(jié)果Tensor的數(shù)據(jù)類型。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，里面的所以數(shù)據(jù)都是1。

tf.ones_like(tensor, dtype = None, name = None)

解釋：這個函數(shù)返回一個全是一的張量，數(shù)據(jù)維度是和Tensor一樣，數(shù)據(jù)類型是默認(rèn)是和Tensor一樣，但是我們也可以自己指定。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")
d_1 = tf.ones_like(data)
d_2 = tf.ones_like(data, tf.float32)
print sess.run(d_1)
print sess.run(d_2)

輸入?yún)?shù)：

tensor: 一個Tensor。

dtype: 輸出結(jié)果Tensor的數(shù)據(jù)類型，必須是 float32，float64，int8，int16，int32，int64，uint8或者complex64。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，里面的所以數(shù)據(jù)都是1。

tf.fill(dims, value, name = None)

解釋：這個函數(shù)返回一個Tensor，數(shù)據(jù)維度是dims，填充的數(shù)據(jù)都是value。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.fill([2,3], 9)
print sess.run(data)

輸入?yún)?shù)：

dim: 一個Tensor，數(shù)據(jù)類型是int32，表示輸出數(shù)據(jù)的維度。

value: 一個Tensor，數(shù)據(jù)維度是0維，即是一個常量（標(biāo)量），輸出數(shù)據(jù)所以填充的都是該值。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型和value相同。

tf.constant(value, dtype = None, shape = None, name = "Const")

解釋：這個函數(shù)返回一個常量Tensor。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([1, 2, 3])
print sess.run(data)
data = tf.constant(-1.0, shape = [2, 3])
print sess.run(data)
data = tf.constant(2.0, dtype = tf.float32, shape = [2, 3])
print sess.run(data)

輸入?yún)?shù)：

value: 一個常量或者是一個數(shù)組，該數(shù)據(jù)類型就是輸出的數(shù)據(jù)類型。

dtype: 輸出數(shù)據(jù)的類型。

shape:（可選）輸出數(shù)據(jù)的維度。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個常量Tensor。

序列操作

Tensorflow提供了一些函數(shù)，去幫助我們構(gòu)建序列。

tf.linspace(start, stop, num, name = None)

解釋：這個函數(shù)返回一個序列數(shù)組，數(shù)組的第一個元素是start，如果num>1，那么序列的最后一個元素就是 stop - start / num - 1。也就是說，最后一個元素肯定是stop。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.linspace(10.0, 15.0, 10)
print sess.run(data)

輸入?yún)?shù)：

start: 一個Tensor。數(shù)據(jù)類型必須是float32或者float64。該值是輸出序列的第一個元素。

stop: 一個Tensor。數(shù)據(jù)類型必須和start相同。該值是輸出序列的最后一個元素。

num: 一個Tensor，數(shù)據(jù)類型是int32。該值確定輸出序列的個數(shù)

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型和start相同，數(shù)據(jù)維度是一維。

tf.range(start, limit, delta = 1, name = "range")

解釋：這個函數(shù)返回一個序列數(shù)組，數(shù)組的第一個元素是start，之后的每一個元素都在前一個元素的基礎(chǔ)上，加上delta，直到limit，但是不包括limit。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.range(3, 15, 3)
print sess.run(data)

輸入?yún)?shù)：

start: 一個0維的Tensor，即一個標(biāo)量。數(shù)據(jù)類型必須是int32。該值是輸出序列的第一個元素。

limit: 一個0維的Tensor，即一個標(biāo)量。數(shù)據(jù)類型必須是int32。該值是輸出序列的最后限制，但不包含該值。

delta: 一個0維的Tensor，即一個標(biāo)量。數(shù)據(jù)類型必須是int32。（可選）該值默認(rèn)是1，也就是說輸出數(shù)據(jù)從start開始。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型int32，數(shù)據(jù)維度是一維。

隨機數(shù)張量

Tensorflow提供了一些函數(shù)，去幫助我們構(gòu)建隨機數(shù)張量。

tf.random_normal(shape, mean = 0.0, stddev = 1.0, dtype = tf.float32, seed = None, name = None)

解釋：這個函數(shù)返回一個隨機數(shù)序列，數(shù)組里面的值按照正態(tài)分布。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.random_normal([2, 3])
print sess.run(data)

輸入?yún)?shù)：

shape: 一個一維的Tensor，或者是一個python數(shù)組。該值是確定輸出序列的數(shù)據(jù)維度。

mean: 一個0維的Tensor，或者一個數(shù)據(jù)類型是dtype的python值。該值表示正態(tài)分布的均值。

stddev: 一個0維的Tensor，或者一個數(shù)據(jù)類型是dtype的python值，該值表示正態(tài)分布的標(biāo)準(zhǔn)偏差。

dtype: 輸出數(shù)據(jù)的數(shù)據(jù)類型。

seed: 一個python整型，為分布產(chǎn)生一個隨機種子，具體可以參見set_random_seed函數(shù)。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型是dtype，數(shù)據(jù)維度是shape，里面的值符合正態(tài)分布。

tf.truncated_normal(shape, mean = 0.0, stddev = 1.0, dtype = tf.float32, seed = None, name = None)

解釋：這個函數(shù)返回一個隨機數(shù)序列，數(shù)組里面的值按照正態(tài)分布，但和random_normal函數(shù)不同的是，該值返回的是一個截斷的正態(tài)分布類型。也就是說，產(chǎn)生出來的值范圍都是在 [mean - 2 * standard_deviations, mean + 2 * standard_deviations]內(nèi)，下圖可以告訴你這個具體范圍在哪。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.truncated_normal([2, 3])
print sess.run(data)

輸入?yún)?shù)：

shape: 一個一維的Tensor，或者是一個python數(shù)組。該值是確定輸出序列的數(shù)據(jù)維度。

mean: 一個0維的Tensor，或者一個數(shù)據(jù)類型是dtype的python值。該值表示正態(tài)分布的均值。

stddev: 一個0維的Tensor，或者一個數(shù)據(jù)類型是dtype的python值，該值表示正態(tài)分布的標(biāo)準(zhǔn)偏差。

dtype: 輸出數(shù)據(jù)的數(shù)據(jù)類型。

seed: 一個python整型，為分布產(chǎn)生一個隨機種子，具體可以參見set_random_seed函數(shù)。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型是dtype，數(shù)據(jù)維度是shape，里面的值是一個截斷的正態(tài)分布。

tf.random_uniform(shape, minval = 0.0, maxval = 1.0, dtype = tf.float32, seed = None, name = None)

解釋：這個函數(shù)返回一個隨機數(shù)序列，數(shù)組里面的值按照均勻分布，數(shù)據(jù)范圍是 [minval, maxval)。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.random_uniform([2, 3])
print sess.run(data)

輸入?yún)?shù)：

shape: 一個一維的Tensor，或者是一個python數(shù)組。該值是確定輸出序列的數(shù)據(jù)維度。

minval: 一個0維的Tensor，或者一個數(shù)據(jù)類型是dtype的python值。該值表示均勻分布的最小值。

maxval: 一個0維的Tensor，或者一個數(shù)據(jù)類型是dtype的python值，該值表示均勻分布的最大值，但是不能取到該值。

dtype: 輸出數(shù)據(jù)的數(shù)據(jù)類型。

seed: 一個python整型，為分布產(chǎn)生一個隨機種子，具體可以參見set_random_seed函數(shù)。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型是dtype，數(shù)據(jù)維度是shape，里面的值符合均勻分布。

tf.random_shuffle(value, seed = None, name = None)

解釋：這個函數(shù)返回一個隨機數(shù)序列，將value中的數(shù)據(jù)打亂輸出。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2], [3, 4], [5, 6]])
shuff_data = tf.random_shuffle(data)
print sess.run(data)
print sess.run(shuff_data)

data = tf.constant([1, 2, 3, 4, 5, 6])
shuff_data = tf.random_shuffle(data)
print sess.run(data)
print sess.run(shuff_data)

輸入?yún)?shù)：

value: 一個Tensor，需要打亂的數(shù)據(jù)。

seed: 一個python整型，為分布產(chǎn)生一個隨機種子，具體可以參見set_random_seed函數(shù)。

name:（可選）為這個操作取一個名字。

輸出參數(shù)：

一個Tensor，數(shù)據(jù)類型和數(shù)據(jù)維度都和value相同。

tf.set_random_seed(seed)

解釋：這個函數(shù)是設(shè)置圖層面的隨機種子。隨機種子分為兩類，一類是圖層面的隨機種子，另一類是操作層面的隨機種子。具體區(qū)別如下：

第一種，如果圖層面和操作層面的隨機種子都沒有設(shè)置，那么隨機種子將在每個操作中被更新。例子如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

a = tf.random_uniform([1])
b = tf.random_normal([1])

print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates "A1"
    print sess1.run(a)  # generates "A2"
    print sess1.run(b)  # generates "B1"
    print sess1.run(b)  # generates "B2"

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates "A3"
    print sess2.run(a)  # generates "A4"
    print sess2.run(b)  # generates "B3"
    print sess2.run(b)  # generates "B4"

第二種，如果圖層面的隨機種子被設(shè)置了，但是操作層面的隨機種子沒有被設(shè)置。那么，系統(tǒng)將把圖層面的隨機種子設(shè)置成操作層面的隨機種子，以至于操作層面的隨機種子將被確定下來。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

tf.set_random_seed(1234)
a = tf.random_uniform([1])
b = tf.random_normal([1])

# Repeatedly running this block with the same graph will generate different
# sequences of "a" and "b".
print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates "A1"
    print sess1.run(a)  # generates "A2"
    print sess1.run(b)  # generates "B1"
    print sess1.run(b)  # generates "B2"

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates "A1"
    print sess2.run(a)  # generates "A2"
    print sess2.run(b)  # generates "B1"
    print sess2.run(b)  # generates "B2"

第三種，如果圖層面的隨機種子沒有被設(shè)置，但是操作層面的隨機種子被設(shè)置了，那么被設(shè)置隨機種子的操作層將有確定的唯一種子，其他操作層不具有唯一種子。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

a = tf.random_uniform([1], seed=1)
b = tf.random_normal([1])

# Repeatedly running this block with the same graph will generate the same
# sequence of values for "a", but different sequences of values for "b".
print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates "A1"
    print sess1.run(a)  # generates "A2"
    print sess1.run(b)  # generates "B1"
    print sess1.run(b)  # generates "B2"

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates "A1"
    print sess2.run(a)  # generates "A2"
    print sess2.run(b)  # generates "B3"
    print sess2.run(b)  # generates "B4"

第四種，如果圖層面和操作層面都設(shè)置了隨機種子，那么這兩個隨機種子都將被使用，但是最后起作用的隨機種子是唯一的，即操作的隨機輸出值是確定的。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

tf.set_random_seed(1234)
a = tf.random_uniform([1], seed = 1)
b = tf.random_normal([1], seed = 2)

# Repeatedly running this block with the same graph will generate the same
# sequence of values for "a", but different sequences of values for "b".
print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates "A1"
    print sess1.run(a)  # generates "A2"
    print sess1.run(b)  # generates "B1"
    print sess1.run(b)  # generates "B2"

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates "A1"
    print sess2.run(a)  # generates "A2"
    print sess2.run(b)  # generates "B1"
    print sess2.run(b)  # generates "B2"

輸入?yún)?shù)：

seed: 一個整數(shù)類型。

作者：chen_h
微信號 & QQ：862251340
簡書地址：https://www.jianshu.com/p/d05...

CoderPai 是一個專注于算法實戰(zhàn)的平臺，從基礎(chǔ)的算法到人工智能算法都有設(shè)計。如果你對算法實戰(zhàn)感興趣，請快快關(guān)注我們吧。加入AI實戰(zhàn)微信群，AI實戰(zhàn)QQ群，ACM算法微信群，ACM算法QQ群。長按或者掃描如下二維碼，關(guān)注 “CoderPai” 微信號（coderpai）

云服務(wù)器 GPU云服務(wù)器 python 翻譯翻譯 python python 翻譯包 python安裝tensorflow

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/41234.html

發(fā)表評論

登陸后可評論

0條評論

godlong_X

男|高級講師

我要關(guān)注我要私信

TA的文章

anaconda怎么安裝tensorflow

閱讀 1173·2023-04-25 17:28
【Python爬蟲】騰訊視頻m3u8格式分析爬?。ǜ皆创a，高清無水?。?/a>

閱讀 3637·2021-10-14 09:43

Vultr優(yōu)惠活動整理，最新活動充100美元送100美元，有效期一年

閱讀 3982·2021-10-09 10:02
CSS總結(jié)

閱讀 1953·2019-08-30 14:04
CSS語法總結(jié)

閱讀 3146·2019-08-30 13:09
深入 css z-index 屬性

閱讀 3283·2019-08-30 12:53
前端實現(xiàn)文字跑馬燈的三種方式

閱讀 2922·2019-08-29 17:11
JavaScript線程機制與事件機制

閱讀 1836·2019-08-29 16:58

成人国产在线小视频_日韩寡妇人妻调教在线播放_色成人www永久在线观看_2018国产精品久久_亚洲欧美高清在线30p_亚洲少妇综合一区_黄色在线播放国产_亚洲另类技巧小说校园_国产主播xx日韩_a级毛片在线免费

資訊專欄INFORMATION COLUMN

上云采購季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺、長期優(yōu)惠，快來選購！

Tensorflow Python API 翻譯（constant_op）

常量張量

序列操作

隨機數(shù)張量

相關(guān)文章

Tensorflow Python API 翻譯（array_ops）

Tensorflow Python API 翻譯（sparse_ops）

Tensorflow Python API 翻譯（math_ops）（第一部分）

Tensorflow Python API 翻譯（math_ops）（第二部分）

Tensorflow Python API 翻譯（nn）

發(fā)表評論

0條評論

godlong_X

男|高級講師

TA的文章

anaconda怎么安裝tensorflow

【Python爬蟲】騰訊視頻m3u8格式分析爬?。ǜ皆创a，高清無水?。?/a>

Vultr優(yōu)惠活動整理，最新活動充100美元送100美元，有效期一年

CSS總結(jié)

CSS語法總結(jié)

深入 css z-index 屬性

前端實現(xiàn)文字跑馬燈的三種方式

JavaScript線程機制與事件機制

最新活動

資訊專欄INFORMATION COLUMN

上云采購季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺、長期優(yōu)惠，快來選購！

Tensorflow Python API 翻譯（constant_op）

常量張量

序列操作

隨機數(shù)張量

相關(guān)文章

發(fā)表評論

0條評論

男|高級講師

TA的文章

最新活動

上云采購季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺、長期優(yōu)惠，快來選購！