TensorFlow函数 – Tensor的创建和初始化

函数	类型	作用
tf.constant	常量	创建一个新常量
tf.Variable	变量	创建一个新变量
tf.get_variable	变量	获取现有的变量或者创建一个新变量
tf.global_variables_initializer	初始化器	初始化全局变量
tf.placeholder	占位符	创建一个总是喂食的张量占位符
tf.range	序列	创建一个梳子序列
tf.ones	序列	创建一个全是1的张量
tf.ones_like	序列	创建一个形状和另一个tensor相同的全是1的张量
tf.zeros	序列	创建一个全是0的张量
tf.zeross_like	序列	创建一个形状和另一个tensor相同的全是0的张量
tf.random_normal	随机数	正太分布随机数
tf.truncated_normal	随机数	正太分布随机数，平均值大于2σ的会被丢弃
tf.random_uniform	随机数	均匀分布随机数

# encoding=utf-8
import tensorflow as tf

sess = tf.Session()  # 初始化Session

#  常数
'''
tf.constant(value, dtype=None, shape=None, name="Const"):
Args:
    value: 值，用列表或常数表示
    dtype: 类型
    shape: 形状
    name: 名字
'''
c1 = tf.constant([1., 2., 3.], dtype=tf.float32)  # 形状为3
c2 = tf.constant([1, 2, 3, 4], shape=[2, 2])  # 形状为2×2
print(sess.run(tf.shape(c2)))
'''
[2 2]
'''
print(sess.run(c2))
'''
[[1 2]
 [3 4]]
 '''

#  变量
'''
class tf.Variable()
Args:
    initial_value=None, 初始化的值，使用常数、序列或者随机数作为初始化的值
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None,
    constraint=None,
    use_resource=None,
    synchronization=VariableSynchronization.AUTO,
    aggregation=VariableAggregation.NONE):
'''
v = tf.Variable(c2)  # 使用常数初始化
v2 = tf.Variable(tf.range(10))  # 使用序列初始化
v3 = tf.Variable(tf.random_uniform([2, 3]))  # 使用随机数初始化
sess.run(tf.global_variables_initializer())  # 全局变量初始化器，sess.run变量之前必须要先初始化，否则会抛出变量未初始化的异常
print(sess.run(v3))
'''
[[0.31143284 0.53024447 0.0968231 ]
 [0.1862328  0.68729246 0.89440215]]
'''

# tf.get_variable()
'''
tf.get_variable(
        name,
        shape=None,
        dtype=None,
        initializer=None,
        regularizer=None,
        trainable=None,
        collections=None,
        caching_device=None,
        partitioner=None,
        validate_shape=True,
        use_resource=None,
        custom_getter=None,
        constraint=None,
        synchronization=VariableSynchronization.AUTO,
        aggregation=VariableAggregation.NONE)
Args:
    name: 变量名，必须
    shape: 形状
    dtype: 类型
    initializer: 初始化器
'''
emb_v2 = tf.get_variable(shape=[20000, 20, 8],
                         initializer=tf.random_normal_initializer(), name='emb_v2')


#  占位符
'''
tf.placeholder(dtype, shape=None, name=None):
Args:
    dtype: 类型
    shape: 形状，None表示这一维可以接受任意输入
    name: 名称
'''
x = tf.placeholder(tf.float32, [None, 500])  # 一般第一维设置为none，表示batch


#  序列
'''
tf.range(start, limit=None, delta=1, dtype=None, name="range")
'''
tf.range(10)  # [0 1 2 3 4 5 6 7 8 9]
r2 = tf.range(10, 0, -2)
print(sess.run(r2))
'''
[10  8  6  4  2]
'''

# tf.ones()
'''
tf.ones(shape, dtype=dtypes.float32, name=None)
'''
tf.ones([3, 5])

# tf.onrs_like()
'''
tf.ones_like(tensor, dtype=None, name=None, optimize=True)
'''
tf.ones_like(r2)  # 生成和r2形状一样的全是1的张量


# 随机数
'''
tf.random_normal(shape,
                mean=0.0,
                stddev=1.0,
                dtype=dtypes.float32,
                seed=None,
                name=None)
Args:
    shape: 形状
    mean=0.0: 均值，默认为0
    stddev=1.0: 标准差，默认为1
    dtype: 类型，默认tf.float32
    seed=None: 随机种子
    name=None: 名称
'''
r = tf.random_normal([3, 5], stddev=0.1)  # 生成的随机数服从均值0，标准差0.1的正态分布
print(sess.run(r))
'''
[[-0.10203493 -0.08492908 -0.12519914  0.1285079  -0.09017794]
 [-0.11248418  0.00505971  0.10674645 -0.09033418  0.02617419]
 [ 0.01536902 -0.08910552  0.10969975  0.10016834 -0.03961685]]
'''

r = tf.truncated_normal([3, 5], stddev=0.1)  # 与均值相差超过2个标准差的会被丢弃重新生成
print(sess.run(r))
'''
[[ 0.10411328 -0.19037913  0.05412641  0.01675856 -0.03939838]
 [ 0.0683771  -0.00904175  0.00975604  0.13849497  0.11131003]
 [ 0.09745935  0.09535291 -0.0058706   0.01729187  0.04007868]]
'''


# tf.random_uniform()
'''
tf.random_uniform(shape,
                  minval=0,
                  maxval=None,  # 最大值是取不到的
                  dtype=dtypes.float32,
                  seed=None,
                  name=None)
'''
r = tf.random_uniform([2, 3], 1, 7, tf.int32)  # 相当于掷6次骰子
print(sess.run(r))
'''
[[6 1 3]
 [5 1 2]]
'''

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

# encoding=utf-8

import tensorflow as tf

sess = tf.Session() # 初始化Session

# 常数

'''

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

Args:

value: 值，用列表或常数表示

dtype: 类型

shape: 形状

'''

c1 = tf.constant([1., 2., 3.], dtype=tf.float32) # 形状为3

c2 = tf.constant([1, 2, 3, 4], shape=[2, 2]) # 形状为2×2

print(sess.run(tf.shape(c2)))

'''

[2 2]

'''

print(sess.run(c2))

'''

[[1 2]

[3 4]]

'''

# 变量

'''

class tf.Variable()

Args:

initial_value=None, 初始化的值，使用常数、序列或者随机数作为初始化的值

trainable=True,

collections=None,

validate_shape=True,

caching_device=None,

name=None,

variable_def=None,

dtype=None,

expected_shape=None,

import_scope=None,

constraint=None,

use_resource=None,

synchronization=VariableSynchronization.AUTO,

aggregation=VariableAggregation.NONE):

'''

v = tf.Variable(c2) # 使用常数初始化

v2 = tf.Variable(tf.range(10)) # 使用序列初始化

v3 = tf.Variable(tf.random_uniform([2, 3])) # 使用随机数初始化

sess.run(tf.global_variables_initializer()) # 全局变量初始化器，sess.run变量之前必须要先初始化，否则会抛出变量未初始化的异常

print(sess.run(v3))

'''

[[0.31143284 0.53024447 0.0968231 ]

[0.1862328 0.68729246 0.89440215]]

'''

# tf.get_variable()

'''

tf.get_variable(

name,

shape=None,

dtype=None,

initializer=None,

regularizer=None,

trainable=None,

collections=None,

caching_device=None,

partitioner=None,

validate_shape=True,

use_resource=None,

custom_getter=None,

constraint=None,

synchronization=VariableSynchronization.AUTO,

aggregation=VariableAggregation.NONE)

Args:

shape: 形状

dtype: 类型

initializer: 初始化器

'''

emb_v2 = tf.get_variable(shape=[20000, 20, 8],

initializer=tf.random_normal_initializer(), name='emb_v2')

# 占位符

'''

tf.placeholder(dtype, shape=None, name=None):

Args:

dtype: 类型

shape: 形状，None表示这一维可以接受任意输入

'''

x = tf.placeholder(tf.float32, [None, 500]) # 一般第一维设置为none，表示batch

# 序列

'''

tf.range(start, limit=None, delta=1, dtype=None, name="range")

'''

tf.range(10) # [0 1 2 3 4 5 6 7 8 9]

r2 = tf.range(10, 0, -2)

print(sess.run(r2))

'''

[10 8 6 4 2]

'''

# tf.ones()

'''

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

'''

tf.ones([3, 5])

# tf.onrs_like()

'''

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

'''

tf.ones_like(r2) # 生成和r2形状一样的全是1的张量

# 随机数

'''

tf.random_normal(shape,

mean=0.0,

stddev=1.0,

dtype=dtypes.float32,

seed=None,

name=None)

Args:

shape: 形状

mean=0.0: 均值，默认为0

stddev=1.0: 标准差，默认为1

dtype: 类型，默认tf.float32

seed=None: 随机种子

name=None: 名称

'''

r = tf.random_normal([3, 5], stddev=0.1) # 生成的随机数服从均值0，标准差0.1的正态分布

print(sess.run(r))

'''

[[-0.10203493 -0.08492908 -0.12519914 0.1285079 -0.09017794]

[-0.11248418 0.00505971 0.10674645 -0.09033418 0.02617419]

[ 0.01536902 -0.08910552 0.10969975 0.10016834 -0.03961685]]

'''

r = tf.truncated_normal([3, 5], stddev=0.1) # 与均值相差超过2个标准差的会被丢弃重新生成

print(sess.run(r))

'''

[[ 0.10411328 -0.19037913 0.05412641 0.01675856 -0.03939838]

[ 0.0683771 -0.00904175 0.00975604 0.13849497 0.11131003]

[ 0.09745935 0.09535291 -0.0058706 0.01729187 0.04007868]]

'''

# tf.random_uniform()

'''

tf.random_uniform(shape,

minval=0,

maxval=None, # 最大值是取不到的

dtype=dtypes.float32,

seed=None,

name=None)

'''

r = tf.random_uniform([2, 3], 1, 7, tf.int32) # 相当于掷6次骰子

print(sess.run(r))

'''

[[6 1 3]

[5 1 2]]

'''