TensorFlow学习笔记（5）----TF生成数据的方法

转自：https://blog.csdn.net/PhDat101/article/details/52442738

正常情况下，使用tf.global_variables_intializer()初始化变量，在完全构建好模型并加载之后才运行这个操作。生成数据的主要方法如下

1）如果需要利用已经初始化的参数给其他变量赋值

TF的变量有个initialized_value()属性，就是初始化的值，使用方法如下：

[python]  view plain  copy

1. # 原始的变量  
2. weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),name="weights")  
3. # 创造相同内容的变量  
4. w2 = tf.Variable(weights.initialized_value(), name="w2")  
5. # 也可以直接乘以比例  
6. w_twice = tf.Variable(weights.initialized_value() * 0.2, name="w_twice")  

2）生成tensor的一些方法

生成tensor：

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

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

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

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

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

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

生成序列

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

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

生成随机数

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

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

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

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

效果程序：

[python]  view plain  copy

1. import tensorflow as tf  
2. import numpy as np  
3.   
4. # 生成0和1矩阵  
5. v1 = tf.Variable(tf.zeros([3,3,3]), name="v1")  
6. v2 = tf.Variable(tf.ones([10,5]), name="v2")  
7.   
8. #填充单值矩阵  
9. v3 = tf.Variable(tf.fill([2,3], 9))  
10.   
11. #常量矩阵  
12. v4_1 = tf.constant([1, 2, 3, 4, 5, 6, 7])  
13. v4_2 = tf.constant(-1.0, shape=[2, 3])  
14.   
15. #生成等差数列  
16. v6_1 = tf.linspace(10.0, 12.0, 30, name="linspace")#float32 or float64  
17. v7_1 = tf.range(10, 20, 3)#just int32  
18.   
19. #生成各种随机数据矩阵  
20. v8_1 = tf.Variable(tf.random_uniform([2,4], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name="v8_1"))  
21. v8_2 = tf.Variable(tf.random_normal([2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_2"))  
22. v8_3 = tf.Variable(tf.truncated_normal([2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_3"))  
23. v8_4 = tf.Variable(tf.random_uniform([2,3], minval=0.0, maxval=1.0, dtype=tf.float32, seed=1234, name="v8_4"))  
24. v8_5 = tf.random_shuffle([[1,2,3],[4,5,6],[6,6,6]], seed=134, name="v8_5")  
25.   
26. # 初始化  
27. init_op = tf.initialize_all_variables()  
28.   
29. # 保存变量，也可以指定保存的内容  
30. saver = tf.train.Saver()  
31. #saver = tf.train.Saver({"my_v2": v2})  
32.   
33. #运行  
34. with tf.Session() as sess:  
35.   sess.run(init_op)  
36.   # 输出形状和值  
37.   print tf.Variable.get_shape(v1)#shape  
38.   print sess.run(v1)#vaule  
39.     
40.   # numpy保存文件  
41.   np.save("v1.npy",sess.run(v1))#numpy save v1 as file  
42.   test_a = np.load("v1.npy")  
43.   print test_a[1,2]  
44.   
45.   #一些输出  
46.   print sess.run(v3)  
47.   
48.   v5 = tf.zeros_like(sess.run(v1))  
49.   
50.   print sess.run(v6_1)  
51.   
52.   print sess.run(v7_1)  
53.   
54.   print sess.run(v8_5)  
55.     
56.   #保存图的变量  
57.   save_path = saver.save(sess, "/tmp/model.ckpt")  
58.   #加载图的变量  
59.   #saver.restore(sess, "/tmp/model.ckpt")  
60.   print "Model saved in file: ", save_path