Tensorflow Python API 翻译（constant_op）

时间  2019-11-16
标签 tensorflow python api 翻译 constant 栏目 Python 繁體版
原文   原文链接

做者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
个人博客：请点击这里python

计划现将 tensorflow 中的 Python API 作一个学习，这样方便之后的学习。
原文连接git

该章介绍有关常量张量，序列操做，随机数张量的API

常量张量

Tensorflow提供了不少的操做，去帮助你构建常量。github

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

解释：这个函数返回一个全是零的张量，数据维度是 shape，数据类型是 dtype。api

使用例子：数组

#!/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)复制代码

输入参数：
* shape: 一个整型的数组，或者一个一维的Tensor，数据类型是：int32。
* dtype: 输出结果Tensor的数据类型。
* name:（可选）为这个操做取一个名字。bash

输出参数：
* 一个Tensor，里面的因此数据都是0。微信

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

解释：这个函数返回一个全是零的张量，数据维度是和Tensor同样，数据类型是默认是和Tensor同样，可是咱们也能够本身指定。函数

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)复制代码

输入参数：
* tensor: 一个Tensor。
* dtype: 输出结果Tensor的数据类型，必须是 float32，float64，int8，int16，int32，int64，uint8或者complex64。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，里面的因此数据都是0。

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

解释：这个函数返回一个全是1的张量，数据维度是shape，数据类型是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)复制代码

输入参数：
* shape: 一个整型的数组，或者一个一维的Tensor，数据类型是 int32。
* dtype: 输出结果Tensor的数据类型。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，里面的因此数据都是1。

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

解释：这个函数返回一个全是一的张量，数据维度是和Tensor同样，数据类型是默认是和Tensor同样，可是咱们也能够本身指定。

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)复制代码

输入参数：
* tensor: 一个Tensor。
* dtype: 输出结果Tensor的数据类型，必须是 float32，float64，int8，int16，int32，int64，uint8或者complex64。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，里面的因此数据都是1。

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

解释：这个函数返回一个Tensor，数据维度是dims，填充的数据都是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)复制代码

输入参数：
* dim: 一个Tensor，数据类型是int32，表示输出数据的维度。
* value: 一个Tensor，数据维度是0维，便是一个常量（标量），输出数据因此填充的都是该值。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型和value相同。

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

解释：这个函数返回一个常量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)复制代码

输入参数：
* value: 一个常量或者是一个数组，该数据类型就是输出的数据类型。
* dtype: 输出数据的类型。
* shape:（可选）输出数据的维度。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个常量Tensor。

序列操做

Tensorflow提供了一些函数，去帮助咱们构建序列。

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

解释：这个函数返回一个序列数组，数组的第一个元素是start，若是num>1，那么序列的最后一个元素就是 stop - start / num - 1。也就是说，最后一个元素确定是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)复制代码

输入参数：
* start: 一个Tensor。数据类型必须是float32或者float64。该值是输出序列的第一个元素。
* stop: 一个Tensor。数据类型必须和start相同。该值是输出序列的最后一个元素。
* num: 一个Tensor，数据类型是int32。该值肯定输出序列的个数
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型和start相同，数据维度是一维。

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

解释：这个函数返回一个序列数组，数组的第一个元素是start，以后的每个元素都在前一个元素的基础上，加上delta，直到limit，可是不包括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)复制代码

输入参数：
* start: 一个0维的Tensor，即一个标量。数据类型必须是int32。该值是输出序列的第一个元素。
* limit: 一个0维的Tensor，即一个标量。数据类型必须是int32。该值是输出序列的最后限制，但不包含该值。
* delta: 一个0维的Tensor，即一个标量。数据类型必须是int32。（可选）该值默认是1，也就是说输出数据从start开始。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型int32，数据维度是一维。

随机数张量

Tensorflow提供了一些函数，去帮助咱们构建随机数张量。

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

解释：这个函数返回一个随机数序列，数组里面的值按照正态分布。

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)复制代码

输入参数：
* shape: 一个一维的Tensor，或者是一个python数组。该值是肯定输出序列的数据维度。
* mean: 一个0维的Tensor，或者一个数据类型是dtype的python值。该值表示正态分布的均值。
* stddev: 一个0维的Tensor，或者一个数据类型是dtype的python值，该值表示正态分布的标准误差。
* dtype: 输出数据的数据类型。
* seed: 一个python整型，为分布产生一个随机种子，具体能够参见set_random_seed函数。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型是dtype，数据维度是shape，里面的值符合正态分布。

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

解释：这个函数返回一个随机数序列，数组里面的值按照正态分布，但和random_normal函数不一样的是，该值返回的是一个截断的正态分布类型。也就是说，产生出来的值范围都是在 [mean - 2 * standard_deviations, mean + 2 * standard_deviations]内，下图能够告诉你这个具体范围在哪。

truncated_normal

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)复制代码

输入参数：
* shape: 一个一维的Tensor，或者是一个python数组。该值是肯定输出序列的数据维度。
* mean: 一个0维的Tensor，或者一个数据类型是dtype的python值。该值表示正态分布的均值。
* stddev: 一个0维的Tensor，或者一个数据类型是dtype的python值，该值表示正态分布的标准误差。
* dtype: 输出数据的数据类型。
* seed: 一个python整型，为分布产生一个随机种子，具体能够参见set_random_seed函数。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型是dtype，数据维度是shape，里面的值是一个截断的正态分布。

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

解释：这个函数返回一个随机数序列，数组里面的值按照均匀分布，数据范围是 [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)复制代码

输入参数：
* shape: 一个一维的Tensor，或者是一个python数组。该值是肯定输出序列的数据维度。
* minval: 一个0维的Tensor，或者一个数据类型是dtype的python值。该值表示均匀分布的最小值。
* maxval: 一个0维的Tensor，或者一个数据类型是dtype的python值，该值表示均匀分布的最大值，可是不能取到该值。
* dtype: 输出数据的数据类型。
* seed: 一个python整型，为分布产生一个随机种子，具体能够参见set_random_seed函数。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型是dtype，数据维度是shape，里面的值符合均匀分布。

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

解释：这个函数返回一个随机数序列，将value中的数据打乱输出。

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)复制代码

输入参数：
* value: 一个Tensor，须要打乱的数据。
* seed: 一个python整型，为分布产生一个随机种子，具体能够参见set_random_seed函数。
* name:（可选）为这个操做取一个名字。

输出参数：
* 一个Tensor，数据类型和数据维度都和value相同。

tf.set_random_seed(seed)

解释：这个函数是设置图层面的随机种子。随机种子分为两类，一类是图层面的随机种子，另外一类是操做层面的随机种子。具体区别以下：

第一种，若是图层面和操做层面的随机种子都没有设置，那么随机种子将在每一个操做中被更新。例子以下：

#!/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'复制代码

第二种，若是图层面的随机种子被设置了，可是操做层面的随机种子没有被设置。那么，系统将把图层面的随机种子设置成操做层面的随机种子，以致于操做层面的随机种子将被肯定下来。

#!/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'复制代码

第三种，若是图层面的随机种子没有被设置，可是操做层面的随机种子被设置了，那么被设置随机种子的操做层将有肯定的惟一种子，其余操做层不具备惟一种子。

#!/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'复制代码

第四种，若是图层面和操做层面都设置了随机种子，那么这两个随机种子都将被使用，可是最后起做用的随机种子是惟一的，即操做的随机输出值是肯定的。

#!/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'复制代码

输入参数：
* seed: 一个整数类型。


CoderPai 是一个专一于算法实战的平台，从基础的算法到人工智能算法都有设计。若是你对算法实战感兴趣，请快快关注咱们吧。加入AI实战微信群，AI实战QQ群，ACM算法微信群，ACM算法QQ群。详情请关注 “CoderPai” 微信号（coderpai） 。

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程