13518219792
这篇文章将为大家详细讲解有关TensorFlow如何生成常量、序列和随机值，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
TensorFlow 生成 常量、序列和随机值
生成常量
tf.constant()这种形式比较常见，除了这一种生成常量的方式之外，像Numpy一样，TensorFlow也提供了生成集中特殊的常量的函数：
tf.zeros(shape, dtype=tf.float32, name=None)
三个参数的意思显而易见，返回指定形状的全零张量
tf.zeros_like(tensor, dtype=None, name=None, optimizer=True) 与函数的名字一致，传入一个张量，最后返回一个张量，与传入的张量拥有一样的形状和数据类型，也可以自己传入dtype指定数据类型
tf.ones() 和tf.ones_like()与之前的函数对应一致
tf.fill(shape, value, name=None) 返回填满指定输入的数值的张量，例如：
tf.fill([2,3],9)
返回的张量就是：
[[9 9 9] [9 9 9]]
生成序列
tf.linspace(start, stop, num, name=None)
函数名称与Numpy中序列的函数一样，只是参数部分进行了简化，前两个参数分别指定了开始和结束的值，num指定了要生成的数量，最后则是名称，例如：
a = tf.linspace(1.0, 10.0, 10, name='lin1')
输出：
[ 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)
输出：
[1 2 3 4]
随机张量
随机值在TensorFlow中很重要，很多情况下的初始值往往会随机值，常用的随机值生成函数如下：
生成均匀分布的随机张量
# 调用格式 random_uniform( shape, minval=0, maxval=None, # 大值以及最小值 dtype=tf.float32, seed=None, # 指定种子 name=None )
# 例如 a = tf.random_uniform([2,3], minval=1.0, maxval=5.0, dtype=tf.float32)
# 输出 [[4.458698 4.091486 4.3704953] [3.893827 2.7951822 2.2381153]]
生成服从正态分布的随机张量
# 调用格式 random_normal( shape, mean=0.0, # 均值 stddev=1.0, # 标准差 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 ]]
生成服从截断正态分布的随机张量
# 调用格式 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 ]]
这个函数与正态分布的函数使用时一样的，只是增加了 “截断” 也就是限制每个元素的取值，如果其平均值大于 2 个标准差的值将被丢弃并重新选择 。
关于“TensorFlow如何生成常量、序列和随机值”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
