使用 TensorFlow 时，经常需要创建一些初始数据（注意这里的初始数据不是初始化权重的 initializer），通常可以通过 numpy、python 自带的列表等方式初始一个矩阵，然后再将其转换为 tensor 使用，但是实际上 TensorFlow 自身就具有这些创建初始数据的方法，下面就对一些常用的方法进行总结：
一、环境
Python 3.7.3 （Anaconda 3）
TensorFlow 1.14.0
二、实例
为了简化操作和便于观察，本文操作全部采用 TensorFlow 的立即执行（eager execution）模式，首先在所有代码最前面启用 eager execution
>>> import tensorflow as tf
>>> tf.enable_eager_execution()
1、tf.constant 创建初始数据（元素为固定常数）
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/constant
位置参数 value：可接受常数（constant）或列表（list）
（1）常数张量
>>> tensor_constant = tf.constant(1)
>>> tensor_constant
<tf.Tensor: id=10, shape=(), dtype=int32, numpy=1>
>>> tensor_constant.numpy()
1
（2）1 维张量
>>> tensor_1d = tf.constant([1,2,3,4,5,6,7])
>>> tensor_1d
<tf.Tensor: id=13, shape=(7,), dtype=int32, numpy=array([1, 2, 3, 4, 5, 6, 7], dtype=int32)>
（3）2 维张量（根据关键字参数 shape 将位置参数 value 中的数据自动切分为指定的维度）
>>> tensor_2d = tf.constant([1,2,3,4,5,6], shape=[2,3])
>>> tensor_2d
<tf.Tensor: id=18, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6]], dtype=int32)>
（4）3 维张量（根据关键字参数 shape 将位置参数 value 中的数据自动切分为指定的维度）
>>> tensor_3d = tf.constant([1,2,3,4,5,6], shape=[1,2,3])
>>> tensor_3d
<tf.Tensor: id=28, shape=(1, 2, 3), dtype=int32, numpy=
array([[[1, 2, 3],
[4, 5, 6]]], dtype=int32)>
（5）多维张量（以此类推）（根据关键字参数 shape 将位置参数 value 中的数据自动切分为指定的维度）
>>> tensor_nd = tf.constant([1,2,3,4,5,6,...,n], shape=[指定维度])
（6）多维张量（张量中的所有元素的数值相同，以 2 维张量为例，其他维度张量，可参看以上实例改变位置参数 shape 实现）
>>> tensor_2d_same_elements = tf.constant(1.5, shape=[2,3])
>>> tensor_2d_same_elements
<tf.Tensor: id=2, shape=(2, 3), dtype=float32, numpy=
array([[1.5, 1.5, 1.5],
[1.5, 1.5, 1.5]], dtype=float32)>
2、tf.zeros 创建元素全为 0 的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/zeros
>>> tensor_zeros = tf.zeros([2,3])
>>> tensor_zeros
<tf.Tensor: id=7, shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
3、tf.zeros_like 创建元素全为 0 的初始数据（维度由位置参数 tensor 的维度指定）
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/zeros_like
>>> referenced_tensor = tf.constant([[1,2,3],[4,5,6]])
>>> referenced_tensor
<tf.Tensor: id=10, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6]], dtype=int32)>
>>> tensor_zeros = tf.zeros_like(referenced_tensor)
>>> tensor_zeros
<tf.Tensor: id=11, shape=(2, 3), dtype=int32, numpy=
array([[0, 0, 0],
[0, 0, 0]], dtype=int32)>
4、tf.ones 创建元素全为 1 的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/ones
>>> tensor_ones = tf.ones([2,3])
>>> tensor_ones
<tf.Tensor: id=17, shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>
5、tf.ones_like 创建初始数据（元素全为 1，维度由位置参数 tensor 的维度指定）
https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/ones_like
>>> referenced_tensor = tf.constant([[1,2,3],[4,5,6]])
>>> referenced_tensor
<tf.Tensor: id=19, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6]], dtype=int32)>
>>> tensor_ones = tf.ones_like(referenced_tensor)
>>> tensor_ones
<tf.Tensor: id=23, shape=(2, 3), dtype=int32, numpy=
array([[1, 1, 1],
[1, 1, 1]], dtype=int32)>
6、tf.eye 创建单位矩阵数据（对角线为 1）或一组矩阵
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/eye
>>> identity_matrix = tf.eye(2)
>>> identity_matrix
<tf.Tensor: id=29, shape=(2, 2), dtype=float32, numpy=
array([[1., 0.],
[0., 1.]], dtype=float32)>
>>> identity_matrix1 = tf.eye(2, num_columns=3)
>>> identity_matrix1
<tf.Tensor: id=52, shape=(2, 3), dtype=float32, numpy=
array([[1., 0., 0.],
[0., 1., 0.]], dtype=float32)>
>>> batch_identity_matrix = tf.eye(2, batch_shape=[3])
>>> batch_identity_matrix
<tf.Tensor: id=34, shape=(3, 2, 2), dtype=float32, numpy=
array([[[1., 0.],
[0., 1.]],
[[1., 0.],
[0., 1.]],
[[1., 0.],
[0., 1.]]], dtype=float32)>
>>> batch_identity_matrix1 = tf.eye(2, batch_shape=[1,2])
>>> batch_identity_matrix1
<tf.Tensor: id=44, shape=(1, 2, 2, 2), dtype=float32, numpy=
array([[[[1., 0.],
[0., 1.]],
[[1., 0.],
[0., 1.]]]], dtype=float32)>
7、tf.linalg.diag 创建对角初始数据
官网说明：https://www.tensorflow.org/api_docs/python/tf/linalg/diag
>>> tensor_diagonal = tf.linalg.diag([1,2,3])
>>> tensor_diagonal
<tf.Tensor: id=59, shape=(3, 3), dtype=int32, numpy=
array([[1, 0, 0],
[0, 2, 0],
[0, 0, 3]], dtype=int32)>
8、tf.fill 创建初始数据（由同一个标量值填充）
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/fill
>>> tensor_filled = tf.fill([2,3],1.5)
>>> tensor_filled
<tf.Tensor: id=56, shape=(2, 3), dtype=float32, numpy=
array([[1.5, 1.5, 1.5],
[1.5, 1.5, 1.5]], dtype=float32)>
9、tf.linspace 创建等差序列的初始数据（tf.linspace最后一个参数指定的是数量，tf.range最后一个参数指定的是间隔）
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/linspace
>>> tensor_linspace = tf.linspace(0.0, 1.0, 5)
>>> tensor_linspace
<tf.Tensor: id=77, shape=(5,), dtype=float32, numpy=array([0. , 0.25, 0.5 , 0.75, 1. ], dtype=float32)>
10、tf.range 创建一个序列初始数据（tf.range最后一个参数指定的是间隔，tf.linspace最后一个参数指定的是数量）
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/range
>>> tensor_range = tf.range(3, 18, 3)
>>> tensor_range
<tf.Tensor: id=88, shape=(5,), dtype=int32, numpy=array([ 3, 6, 9, 12, 15], dtype=int32)>
以下为 tf.random 下的方法：
11、tf.random.uniform 或 tf.random_uniform 创建均匀分布的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/random/uniform
>>> tensor_uniform = tf.random.uniform([2,3], 0, 1)
>>> tensor_uniform
<tf.Tensor: id=96, shape=(2, 3), dtype=float32, numpy=
array([[0.4853586 , 0.3163376 , 0.90865386],
[0.30343163, 0.5796678 , 0.73963296]], dtype=float32)>
>>> tensor_uniform = tf.random_uniform([2,3], 0, 1)
>>> tensor_uniform
<tf.Tensor: id=104, shape=(2, 3), dtype=float32, numpy=
array([[0.21101034, 0.43106842, 0.750067 ],
[0.28341413, 0.13158596, 0.7042546 ]], dtype=float32)>
12、tf.random.normal 或 tf.random_normal 创建正态分布的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/random/normal
>>> tensor_normal = tf.random.normal([2,3],mean=0.0, stddev=1.0)
>>> tensor_normal
<tf.Tensor: id=111, shape=(2, 3), dtype=float32, numpy=
array([[ 0.543633 , -1.1510744 , -0.5166318 ],
[ 0.7066859 , -0.18293963, -1.1034325 ]], dtype=float32)>
>>> tensor_normal = tf.random_normal([2,3],mean=0.0, stddev=1.0)
>>> tensor_normal
<tf.Tensor: id=118, shape=(2, 3), dtype=float32, numpy=
array([[-0.09788968, 2.1148856 , -1.1407292 ],
[ 0.5654968 , -1.6997695 , -0.2044372 ]], dtype=float32)>
13、tf.random.truncated_normal 或 tf.truncated_normal 创建截断正态分布的初始数据（超过 2 倍方差的数值会被丢弃然后重采样）
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/random/truncated_normal
>>> tensor_truncated_normal = tf.random.truncated_normal([2,3], mean=0.0, stddev=1.0)
>>> tensor_truncated_normal
<tf.Tensor: id=125, shape=(2, 3), dtype=float32, numpy=
array([[ 1.4835494 , -0.41608435, -0.5880263 ],
[ 0.5663572 , 0.8002272 , -0.9048173 ]], dtype=float32)>
>>> tensor_truncated_normal = tf.truncated_normal([2,3], mean=0.0, stddev=1.0)
>>> tensor_truncated_normal
<tf.Tensor: id=132, shape=(2, 3), dtype=float32, numpy=
array([[ 1.3685434 , -0.44088304, -0.9568191 ],
[-0.5752376 , -1.1033012 , 0.4550819 ]], dtype=float32)>
14、tf.random.gamma 或 tf.random_gamma 创建伽马分布的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/random/gamma
（需要注意：位置参数 alpha 和关键词参数 beta 需要是一个 tensor 或 Python 数值或 n 为数组）
>>> tensor_gamma = tf.random.gamma([10],[0.5,1.5])
>>> tensor_gamma
<tf.Tensor: id=177, shape=(10, 2), dtype=float32, numpy=
array([[0.57141626, 1.8922596 ],
[0.16391411, 0.91129816],
[0.00959269, 0.48148772],
[0.9698401 , 0.34026673],
[0.4009804 , 2.9951208 ],
[0.41322464, 1.970633 ],
[1.0898147 , 0.7972925 ],
[1.3136083 , 1.8393835 ],
[0.1075677 , 0.4334423 ],
[0.01691816, 1.9474756 ]], dtype=float32)>
>>> tensor_gamma1 = tf.random.gamma([2,3],[0.5,1.5])
>>> tensor_gamma1
<tf.Tensor: id=167, shape=(2, 3, 2), dtype=float32, numpy=
array([[[1.0264944e+00, 6.4605632e+00],
[8.0157153e-02, 1.2645140e+00],
[6.5384345e-04, 1.6259441e+00]],
[[4.3854089e+00, 9.8414886e-01],
[4.3271837e-01, 3.8212683e+00],
[8.1095088e-01, 2.5398853e+00]]], dtype=float32)>
>>> tensor_gamma2 = tf.random.gamma([3], alpha=alpha, beta=beta)
>>> tensor_gamma2
<tf.Tensor: id=195, shape=(3, 3, 2), dtype=float32, numpy=
array([[[0.8173688 , 0.23894905],
[0.5382208 , 0.86303145],
[2.113059 , 0.81887245]],
[[0.09482953, 0.15563871],
[0.5781328 , 0.09177698],
[1.9396044 , 1.0764602 ]],
[[0.50212723, 0.2805498 ],
[0.3675058 , 0.60953206],
[1.7223202 , 1.2798165 ]]], dtype=float32)>
15、tf.random.poisson 或 tf.random_poisson 创建泊松分布的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/random/poisson
（需要注意：第二个位置参数指定创建张量的形状）
>>> tensor_poisson = tf.random.poisson([0.5, 1.5],[3])
>>> tensor_poisson
<tf.Tensor: id=199, shape=(3, 2), dtype=float32, numpy=
array([[1., 1.],
[0., 2.],
[0., 0.]], dtype=float32)>
16、tf.random.shuffle 或 tf.random_shuffle 创建打乱的初始数据
官网说明：https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/random/shuffle
>>> tensor_2d = tf.constant([1,2,3,4,5,6], shape=[3,2])
>>> tensor_2d
<tf.Tensor: id=153, shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
[3, 4],
[5, 6]], dtype=int32)>
>>> tensor_shuffled = tf.random.shuffle(tensor_2d)
>>> tensor_shuffled
<tf.Tensor: id=155, shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
[5, 6],
[3, 4]], dtype=int32)>
>>> tensor_shuffled = tf.random_shuffle(tensor_2d)
>>> tensor_shuffled
<tf.Tensor: id=157, shape=(3, 2), dtype=int32, numpy=
array([[1, 2],
[5, 6],
[3, 4]], dtype=int32)>
（PS： 11~17 是 tf.random 下常用的 7 种方法，实际上，tf.random 下还有很多创建初始数据的方法，感兴趣的读者可以参阅官方 API 深入了解！）
342
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
