TensorFlow教程——常用函数解析

以下函数均返回一个Tensor对象，类似矩阵数据，包括单个值，向量，多维矩阵。

基本的两个创建常量Tensor的函数

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

根据value和shape来创建一个常量Tensor。value可以是一个数，也可以是一个list。 如果是一个数，那么这个常量中所有值的按该数来赋值； 如果是list,那么len(value)一定要小于等于shape展开后的长度，赋值时，先将value中的值逐个存入，不够的部分，则全部存入value的最后一个值。若verify_shape为True，则value的数量跟shape的不一致时会报错。

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

跟tf.constant()类似，不过这里的value只能是一个数

类似Numpy的函数

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

tf. zeros_like(tensor, dtype=None, name=None, optimize=True) # 根据tensor的shape生成全0的Tensor

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

tf.ones_like(tensor, dtype=None, name=None, optimize=True) # 根据tensor的shape生成全1的Tensor


tf.range(start, limit=None, delta=1, dtype=None, name="range") # 范围[start, limit)，步长delta

tf.lin_space(start, stop, num, name=None) # 范围[start, stop]，num个数

随机生成常量

1. 均匀分布

tf.random_uniform(shape, minval=0, maxval=None, dtype=dtypes.float32, seed=None, name=None)

产生均匀分布样本，范围为[minval, maxval]。

2. 正态分布

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

随机产生正态分布样本，均值mean，标准差stddev，默认生成标准正态分布。

3. 截断正态分布

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

随机产生截断正态分布样本，跟上一函数差不多，不过只保留[mean-2*stddev, mean+2*stddev]范围内的样本 ，不在此范围的重新生成，默认[-2, 2]。

4. 伽马分布

tf.random_gamma(shape, alpha, beta=None, dtype=dtypes.float32, seed=None, name=None)

随机产生Gamma分布样本。

伽马分布密度函数：

$$g(t)=\frac{\lambda^\alpha }{\Gamma(\alpha)}t^{\alpha -1}e^{-\lambda t}, t \ge 0$$

其中$\Gamma(\alpha)$是伽马函数：

$$\Gamma(\alpha)=\int_{0}^{+\infty}u^{\alpha -1}e^{-u}du, \alpha \gt 0$$

伽马函数是阶乘在实数域的拓展，它的来源可参考神奇的伽玛函数。

$\Gamma(1)=\int_{0}^{+\infty}e^{-u}du=-e^{-u}|^{+\infty}_{0}=0$

$\Gamma(2)=\int_{0}^{+\infty}ue^{-u}du=-e^{-u}|^{+\infty}_{0}=1$

$\Gamma(3)=\int_{0}^{+\infty}u^2e^{-u}du=-e^{-u}|^{+\infty}_{0}=2$

$\Gamma(3.5)=\int_{0}^{+\infty}u^{2.5}e^{-u}du \approx 3.32$

对于正整数来说，$\Gamma(n)=(n-1)!$ 。

Python求微积分可以用sympy库。

伽马分布密度函数有两个参数：$\alpha$和$\lambda$，其中$\alpha$表示事件发生的次数，$\lambda$表示平均每次事件发生的时间间隔。例如我们对地震发生的时间间隔进行建模，则$\alpha=1$和$\lambda=10$的伽马分布密度函数，刻画的是平均10小时发生一次地震的某地区的发震时间间隔的概率分布，比如函数图像在[0,5]上的面积表示5小时发生一次地震的概率。

伽马分布密度函数图像分析：当$\alpha \le 1$时，函数图像都是悬崖状曲线（单调递减），当$\alpha \gt 1$时，函数图像都是山峰状曲线（凸函数）；$\lambda$的变化不会改变函数图像的形状，而是随着$\lambda$的增大，函数图像向右“挤压”。因此，$\alpha$又叫做形状参数（Shape Parameter），$\lambda$又叫做尺度参数（Scale Parameter）

5. 多项式分布

tf.multinomial(logits, num_samples, seed=None, name=None)

模拟多项式分布。logits是二维矩阵，每一行代表结果概率分布。num_samples代表独立实验次数。例如抛一枚不均匀的骰子10次，每个面的概率为[1/12, 1/12, 1/12, 3/12, 3/12, 3/12]。
tf.multinomial([[1.0, 1.0, 1.0, 3.0, 3.0, 3.0]], 10) ，可能得到： [[4 4 4 2 4 0 2 3 5 4]]，5个5点，2个3点，1个1点，1个4点，1个6点。

随机洗牌

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

Randomly shuffles a tensor along its first dimension. 想象成洗牌，如value=[[1, 2], [3, 4], [5, 6]]，可能返回[[3, 4], [5 6], [1, 2]]

随机裁剪

tf.random_crop(value, size, seed=None, name=None)

Randomly crops a tensor to a given size. 随机裁剪，想象随机裁剪一幅图像，因此需要value.shape>=size。如tf.random_crop([[1, 2, 3], [4, 5, 6], [7, 8, 9]], size=(2, 2))，可能返回[[5, 6], [8,9]]。

运行

查看常量的值需要InteractiveSession：

import tensorflow as tf

a = tf.random_normal(shape=(5, 5))

tf.InteractiveSession()
print a.eval()

以上笔记部分摘抄自：
http://blog.csdn.net/u012969412/article/details/62044184