一篇不错的tf函数总结:
点击打开链接
#产生一个2*100的二维数组,数值在0-1之间,服从均匀分布
x_data = np.float32(np.random.rand(2, 10))
#产生1*1的零值矩阵
b = tf.Variable(tf.zeros([1]))
#产生一个1*2的随机数矩阵,值在(-1,1)之间,服从均匀分布
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
#把x变成一个4d的向量,第二三四维的维度分别是28,28,1,
#第一维度-1的意思:不用我们自己指定这一维的大小,函数会自动计算,但列表中只能存在一个-1
x_image = tf.reshape(x, [-1, 28, 28, 1])
#tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度,mean是均值,stddev是标准差。
#这个函数产生正太分布,均值和标准差自己设定。这是一个截断的产生正太分布的函数,
#就是说产生正太分布的值如果与均值的差值大于两倍的标准差,那就重新生成。
#和一般的正太分布的产生随机数据比起来,这个函数产生的随机数与均值的差距不会超过两倍的标准差,但是一般的别的函数是可能的。
c = tf.truncated_normal(shape=[10,10], mean=0, stddev=1)
#返回元素的个数
matrix1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.size(matrix1) #结果为6