tf.random_normal()函数理解

最新推荐文章于 2023-11-10 04:45:52 发布

张亲亲亲亲钦

最新推荐文章于 2023-11-10 04:45:52 发布

阅读量886

点赞数 1

分类专栏：机器学习文章标签： tensorflow 机器学习入门

原文链接：https://blog.csdn.net/dcrmg/article/details/79028043

版权

机器学习专栏收录该内容

10 篇文章 0 订阅

订阅专栏

tf.random_normal()函数用于从服从指定高斯分布(正态分布)的数值中取出指定个数的值。

函数原型

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

shape: 输出张量的形状，必须自己填写.
mean: 正态分布的均值，默认为0
stddev: 正态分布的 **标准差**，默认为1.0
dtype: 输出的类型，默认为tf.float32
seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
name: 操作的名称

以下程序定义一个w1变量：

# -*- coding: utf-8 -*-)
import tensorflow as tf
 
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
 
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # sess.run(tf.initialize_all_variables())  #比较旧一点的初始化变量方法
    print w1
    print sess.run(w1)

输出：
<tf.Variable ‘Variable:0’ shape=(2, 3) dtype=float32_ref>

[[-0.81131822 1.48459876 0.06532937]
[-2.4427042 0.0992484 0.59122431]]

变量w1声明之后并没有被赋值，这也是tensorflow的特殊之一,需要在Session中调用run(tf.global_variables_initializer())方法初始化之后才会被具体赋值。
tf中张量与常规向量不同的是执行"print w1"输出的是w1的形状和数据类型等属性信息，获取w1的值需要调用sess.run(w1)方法

————————————————
版权声明：本文为CSDN博主「-牧野-」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/dcrmg/article/details/79028043