Tensorflow Python API 翻译（constant_op）

最新推荐文章于 2023-12-19 15:28:26 发布

coderpai

最新推荐文章于 2023-12-19 15:28:26 发布

阅读量512

点赞数

分类专栏：人工智能

本文链接：https://blog.csdn.net/CoderPai/article/details/79048875

版权

人工智能专栏收录该内容

197 篇文章 8 订阅

订阅专栏

作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
简书地址：https://www.jianshu.com/p/d05ded5678b0

计划现将 tensorflow 中的 Python API 做一个学习，这样方便以后的学习。
原文链接

该章介绍有关常量张量，序列操作，随机数张量的API

常量张量

Tensorflow提供了很多的操作，去帮助你构建常量。

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

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。

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)

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）为这个操作取一个名字。

输出参数：
* 一个Tensor，里面的所以数据都是0。

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

解释：这个函数返回一个全是零的张量，数据维度是和Tensor一样，数据类型是默认是和Tensor一样，但是我们也可以自己指定。

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)

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）为这个操作取一个名字。

输出参数：
* 一个Tensor，里面的所以数据都是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)

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）为这个操作取一个名字。

输出参数：
* 一个Tensor，里面的所以数据都是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一样，数据类型是默认是和Tensor一样，但是我们也可以自己指定。

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)

输出参数：
* 一个Tensor，里面的所以数据都是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)

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，即是一个常量（标量），输出数据所以填充的都是该值。
* name:（可选）为这个操作取一个名字。

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)

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）为这个操作取一个名字。

输出参数：
* 一个常量Tensor。

序列操作

Tensorflow提供了一些函数，去帮助我们构建序列。

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，如果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)

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。该值确定输出序列的个数
* name:（可选）为这个操作取一个名字。

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，之后的每一个元素都在前一个元素的基础上，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)

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）为这个操作取一个名字。

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，去帮助我们构建随机数张量。

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)

输入参数：
* shape: 一个一维的Tensor，或者是一个python数组。该值是确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偏差。
* 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，具体可以参见set_random_seed函数。
* name:（可选）为这个操作取一个名字。

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函数不同的是，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，下图可以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)

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)

输入参数：
* shape: 一个一维的Tensor，或者是一个python数组。该值是确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，但是不能取到该值。
* 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，具体可以参见set_random_seed函数。
* name:（可选）为这个操作取一个名字。

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)

输入参数：
* value: 一个Tensor，需要打乱的数据。
* seed: 一个python整型，为分布产生一个随机种子，具体可以参见set_random_seed函数。
* name:（可选）为这个操作取一个名字。

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，另一类是操作层面的随机种子。具体区别如下：

第一种，如果图层面和操作层面的随机种子都没有设置，那么随机种子将在每个操作中被更新。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'

第二种，如果图层面的随机种子被设置了，但是操作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作层面的随机种子，以至于操作层面的随机种子将被确定下来。

#!/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'

第三种，如果图层面的随机种子没有被设置，但是操作层面的随机种子被设置了，那么被设置随机种子的操作层将有确定的唯一种子，其他操作层不具有唯一种子。

#!/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'

第四种，如果图层面和操作层面都设置了随机种子，那么这两个随机种子都将被使用，但是最后起作用的随机种子是唯一的，即操作的随机输出值是确定的。

#!/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'