摘要：隨機數張量提供了一些函數，去幫助我們構建隨機數張量。該值表示正態分布的均值。一個維的，或者一個數據類型是的值，該值表示正態分布的標準偏差。解釋這個函數返回一個隨機數序列，數組里面的值按照均勻分布，數據范圍是。

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...

計劃現將 tensorflow 中的 Python API 做一個學習，這樣方便以后的學習。
原文鏈接

常量張量

Tensorflow提供了很多的操作，去幫助你構建常量。

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

解釋：這個函數返回一個全是零的張量，數據維度是 shape，數據類型是 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)

輸入參數：

shape: 一個整型的數組，或者一個一維的Tensor，數據類型是：int32。

dtype: 輸出結果Tensor的數據類型。

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，里面的所以數據都是0。

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

解釋：這個函數返回一個全是零的張量，數據維度是和Tensor一樣，數據類型是默認是和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)

輸入參數：

tensor: 一個Tensor。

dtype: 輸出結果Tensor的數據類型，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：

一個Tensor，里面的所以數據都是0。

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

解釋：這個函數返回一個全是1的張量，數據維度是shape，數據類型是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)

輸入參數：

shape: 一個整型的數組，或者一個一維的Tensor，數據類型是 int32。

dtype: 輸出結果Tensor的數據類型。

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，里面的所以數據都是1。

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

解釋：這個函數返回一個全是一的張量，數據維度是和Tensor一樣，數據類型是默認是和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)

輸入參數：

tensor: 一個Tensor。

dtype: 輸出結果Tensor的數據類型，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：

一個Tensor，里面的所以數據都是1。

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

解釋：這個函數返回一個Tensor，數據維度是dims，填充的數據都是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)

輸入參數：

dim: 一個Tensor，數據類型是int32，表示輸出數據的維度。

value: 一個Tensor，數據維度是0維，即是一個常量（標量），輸出數據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：

一個Tensor，數據類型和value相同。

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

解釋：這個函數返回一個常量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)

輸入參數：

value: 一個常量或者是一個數組，該數據類型就是輸出的數據類型。

dtype: 輸出數據的類型。

shape:（可選）輸出數據的維度。

name:（可選）為這個操作取一個名字。

輸出參數：

一個常量Tensor。

序列操作

Tensorflow提供了一些函數，去幫助我們構建序列。

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

解釋：這個函數返回一個序列數組，數組的第一個元素是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)

輸入參數：

start: 一個Tensor。數據類型必須是float32或者float64。該值是輸出序列的第一個元素。

stop: 一個Tensor。數據類型必須和start相同。該值是輸出序列的最后一個元素。

num: 一個Tensor，數據類型是int32。該值確定輸出序列的個數

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型和start相同，數據維度是一維。

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

解釋：這個函數返回一個序列數組，數組的第一個元素是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)

輸入參數：

start: 一個0維的Tensor，即一個標量。數據類型必須是int32。該值是輸出序列的第一個元素。

limit: 一個0維的Tensor，即一個標量。數據類型必須是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，即一個標量。數據類型必須是int32。（可選）該值默認是1，也就是說輸出數據從start開始。

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型int32，數據維度是一維。

隨機數張量

Tensorflow提供了一些函數，去幫助我們構建隨機數張量。

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

解釋：這個函數返回一個隨機數序列，數組里面的值按照正態分布。

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)

輸入參數：

shape: 一個一維的Tensor，或者是一個python數組。該值是確定輸出序列的數據維度。

mean: 一個0維的Tensor，或者一個數據類型是dtype的python值。該值表示正態分布的均值。

stddev: 一個0維的Tensor，或者一個數據類型是dtype的python值，該值表示正態分布的標準偏差。

dtype: 輸出數據的數據類型。

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

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型是dtype，數據維度是shape，里面的值符合正態分布。

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

解釋：這個函數返回一個隨機數序列，數組里面的值按照正態分布，但和random_normal函數不同的是，該值返回的是一個截斷的正態分布類型。也就是說，產生出來的值范圍都是在 [mean - 2 * standard_deviations, mean + 2 * standard_deviations]內，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)

輸入參數：

shape: 一個一維的Tensor，或者是一個python數組。該值是確定輸出序列的數據維度。

mean: 一個0維的Tensor，或者一個數據類型是dtype的python值。該值表示正態分布的均值。

stddev: 一個0維的Tensor，或者一個數據類型是dtype的python值，該值表示正態分布的標準偏差。

dtype: 輸出數據的數據類型。

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

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型是dtype，數據維度是shape，里面的值是一個截斷的正態分布。

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

解釋：這個函數返回一個隨機數序列，數組里面的值按照均勻分布，數據范圍是 [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)

輸入參數：

shape: 一個一維的Tensor，或者是一個python數組。該值是確定輸出序列的數據維度。

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

maxval: 一個0維的Tensor，或者一個數據類型是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: 輸出數據的數據類型。

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

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型是dtype，數據維度是shape，里面的值符合均勻分布。

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

解釋：這個函數返回一個隨機數序列，將value中的數據打亂輸出。

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)

輸入參數：

value: 一個Tensor，需要打亂的數據。

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

name:（可選）為這個操作取一個名字。

輸出參數：

一個Tensor，數據類型和數據維度都和value相同。

tf.set_random_seed(seed)

解釋：這個函數是設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置了，但是操作層面的隨機種子沒有被設置。那么，系統將把圖層面的隨機種子設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置，但是操作層面的隨機種子被設置了，那么被設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"

輸入參數：

seed: 一個整數類型。

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的平臺，從基礎的算法到人工智能算法都有設計。如果你對算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM算法微信群，ACM算法QQ群。長按或者掃描如下二維碼，關注 “CoderPai” 微信號（coderpai）