《TensorFlow机器学习实战指南》学习笔记
import tensorflow as tf
import numpy as np
sess=tf.Session ()
zero_tsr=tf.zeros ([4 ,5 ])#4行,5列
#print(sess.run(zero_tsr))
ones_tsr=tf.ones ([2 ,3 ])
#print(sess.run(ones_tsr))#2行,3列
filled_tsr=tf.fill ([1 ,6 ],23 )#1行,6列
#print(sess.run(filled_tsr))#返回张量值
#print(filled_tsr)#返回张量类型
zeros_similar=tf.zeros _like(filled_tsr)#相似形状的张量
#print(sess.run(zeros_similar))
linear_tsr=tf.linspace (start=0. ,stop=1. ,num=3 )#取到stop
#print(sess.run(linear_tsr))
integer_seq_tsr=tf.range (start=6. ,limit=15. ,delta=3 )#取不到limit
#print(sess.run(integer_seq_tsr))
randunif_tsr=tf.random _uniform([2 ,4 ],minval=3 ,maxval=6 )#2行,4列均匀分布的随机数
#print(sess.run(randunif_tsr))
randnorm_tsr=tf.random _normal([3 ,2 ],mean=0. ,stddev=1. )#3行,2列正态分布的随机数
#print(sess.run(randnorm_tsr))
identity_matrix=tf.diag ([1. ,1. ,1. ])
A=tf.truncated _normal([2 ,3 ])#该函数返回2行,3列的符合正态分布的值。
#该函数保证如果x的取值在区间(mu-2*sigma,mu+2*sigma)之外则重新进行选择,使值落在该区间内
B=tf.fill ([2 ,3 ],5. )
C=tf.random _uniform([3 ,2 ])
D=tf.convert _to_tensor(np.array ([[1. ,2. ,3. ],[-3. ,-7. ,-1. ],[0. ,5. ,-2. ]]))
print(sess.run (identity_matrix))
print(sess.run (A))
print(sess.run (B))
print(sess.run (C))
print(sess.run (D))
print(sess.run (tf.matmul (B,identity_matrix)))
print(sess.run (tf.transpose (C)))#矩阵转置
print(sess.run (tf.matrix _determinant(D)))#矩阵的行列式
print(sess.run (tf.matrix _inverse(D)))#矩阵的逆
print(sess.run (tf.self _adjoint_eig(D)))#输出结果中,有两个数组,第一个是特征值,第二个是对应的特征向量