tf.constant_initializer

于 2022-10-18 15:18:56 发布
阅读量6.5k 收藏 11
点赞数 1
分类专栏： TensorFlow 文章标签： tensorflow python 线性代数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_36670529/article/details/91415801
版权

参考  tf.train.Coordinator - 云+社区 - 腾讯云

目录

一、使用方法

二、类中的函数

1、__init__

2、__call__

3、from_config

4、get_config

一、使用方法

一个类，初始化器，它生成具有常量值的张量。由新张量的期望shape后面的参数value指定。参数value可以是常量值，也可以是类型为dtype的值列表。如果value是一个列表，那么列表的长度必须小于或等于由张量的期望形状所暗示的元素的数量。如果值中的元素总数小于张量形状所需的元素数，则值中的最后一个元素将用于填充剩余的元素。如果值中元素的总数大于张量形状所需元素的总数，初始化器将产生一个ValueError。

参数：

  • value: Python标量、值列表或元组，或n维Numpy数组。初始化变量的所有元素将在value参数中设置为对应的值。
  • dtype: 数据类型。
  • verify_shape: 布尔值，用于验证value的形状。如果为真，如果value的形状与初始化张量的形状不兼容，初始化器将抛出错误。

可能产生的异常：

  • TypeError: If the input value is not one of the expected types.

示例:下面的示例可以使用numpy重写。ndarray代替了值列表，甚至重新构造了值列表，如值列表初始化下面的两行注释所示。

import numpy as np
import tensorflow as tf
value = [0, 1, 2, 3, 4, 5, 6, 7]
# value = np.array(value)
# value = value.reshape([2, 4])
init = tf.constant_initializer(value)

print('fitting shape:')
with tf.Session():
    x = tf.get_variable('x', shape=[2, 4], initializer=init)
    x.initializer.run()
    print(x.eval())

Output:
-------------------
fitting shape:
[[ 0.  1.  2.  3.]
[ 4.  5.  6.  7.]]
-------------------


print('larger shape:')
with tf.Session():
   x = tf.get_variable('x', shape=[3, 4], initializer=init)
   x.initializer.run()
   print(x.eval())

Output:
-------------------
larger shape:
[[ 0.  1.  2.  3.]
[ 4.  5.  6.  7.]
[ 7.  7.  7.  7.]]
-------------------


print('smaller shape:')
with tf.Session():
    x = tf.get_variable('x', shape=[2, 3], initializer=init)


Error:
-----------------------------------------------------------------------------------------
Traceback (most recent call last):
  File "D:/tensorflow_learning/test.py", line 11, in <module>
    x = tf.get_variable('x', shape=[2, 3], initializer=init)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 1484, in get_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 1234, in get_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 538, in get_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 492, in _true_getter
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 920, in _get_single_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 145, in __call__
    return cls._variable_call(*args, **kwargs)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 141, in _variable_call
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 120, in <lambda>
    previous_getter = lambda **kwargs: default_variable_creator(None, **kwargs)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 2441, in default_variable_creator
    expected_shape=expected_shape, import_scope=import_scope)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 147, in __call__
    return super(VariableMetaclass, cls).__call__(*args, **kwargs)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 1104, in __init__
    constraint=constraint)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 1212, in _init_from_args
    initial_value(), name="initial_value", dtype=dtype)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 894, in <lambda>
    shape.as_list(), dtype=dtype, partition_info=partition_info)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\init_ops.py", line 219, in __call__
    self.value, dtype=dtype, shape=shape, verify_shape=verify_shape)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\framework\constant_op.py", line 207, in constant
    value, dtype=dtype, shape=shape, verify_shape=verify_shape))
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\framework\tensor_util.py", line 497, in make_tensor_proto
    (shape_size, nparray.size))
ValueError: Too many elements provided. Needed at most 6, but received 8
-----------------------------------------------------------------------------------------


print('shape verification:')
init_verify = tf.constant_initializer(value, verify_shape=True)
with tf.Session():
    x = tf.get_variable('x', shape=[3, 4], initializer=init_verify)

Error:
-----------------------------------------------------------------------------------------
Traceback (most recent call last):
  File "D:/tensorflow_learning/test.py", line 12, in <module>
    x = tf.get_variable('x', shape=[3, 4], initializer=init_verify)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 1484, in get_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 1234, in get_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 538, in get_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 492, in _true_getter
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 920, in _get_single_variable
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 145, in __call__
    return cls._variable_call(*args, **kwargs)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 141, in _variable_call
    aggregation=aggregation)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 120, in <lambda>
    previous_getter = lambda **kwargs: default_variable_creator(None, **kwargs)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 2441, in default_variable_creator
    expected_shape=expected_shape, import_scope=import_scope)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 147, in __call__
    return super(VariableMetaclass, cls).__call__(*args, **kwargs)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 1104, in __init__
    constraint=constraint)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variables.py", line 1212, in _init_from_args
    initial_value(), name="initial_value", dtype=dtype)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\variable_scope.py", line 894, in <lambda>
    shape.as_list(), dtype=dtype, partition_info=partition_info)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\ops\init_ops.py", line 219, in __call__
    self.value, dtype=dtype, shape=shape, verify_shape=verify_shape)
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\framework\constant_op.py", line 207, in constant
    value, dtype=dtype, shape=shape, verify_shape=verify_shape))
  File "D:\anaconda\envs\tensorflow\lib\site-packages\tensorflow\python\framework\tensor_util.py", line 492, in make_tensor_proto
    (tuple(shape), nparray.shape))
TypeError: Expected Tensor's shape: (3, 4), got (8,).
-----------------------------------------------------------------------------------------

二、类中的函数

1、__init__

__init__(
    value=0,
    dtype=tf.float32,
    verify_shape=False
)

2、__call__

__call__(
    shape,
    dtype=None,
    partition_info=None,
    verify_shape=None
)

3、from_config

from_config(
    cls,
    config
)

从配置字典实例化初始化器。例子：

initializer = RandomUniform(-1, 1)
config = initializer.get_config()
initializer = RandomUniform.from_config(config)

参数：

  • config: 一个Python字典。它通常是get_config的输出。

返回：

  • 一个初始化后的实例。

4、get_config

get_config()

Wanderer001
关注
  • 1
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
tensorflow中常用的变量初始化方法
gefeng1209的博客
05-03 3708
1. 初始化为常量 tf.constant_initializer __init__( value=0, #指定的常量 dtype=tf.float32, #数据类型 verify_shape=False #是否可以调整tensor的形状，默认可以调整 ) #常量初始化 #tf.constant_initializer va...
tensorflow参数初始化方法
sophicchen的专栏
12-02 3620
在tensorflow中，经常会遇到参数初始化问题，比如在训练自己的词向量时，需要对原始的embeddigs矩阵进行初始化，更一般的，在全连接神经网络中，每层的权值w也需要进行初始化。 tensorlfow中应该有以下几种初始化方法 1.tf.constant_initializer() # 常数初始化 2.tf.ones_initializer() # 全1初始化 3.tf.zeros_...
Tensorflow学习笔记——initializer（参数初始化）
Vic_Hao的博客
03-18 2287
tf.constant_initializer() 也可以简写为tf.Constant() 初始化为常数，这个非常有用，通常偏置项就是用它初始化的。 由它衍生出两个初始化方法： tf.zero_initializer()，也可以简写为tf.Zeros() tf.ones_initializer()，也可以简写为tf.Ones() 示例：在卷积层中，将偏置项b初始化为0，则有多种写法： co...
那些数据和命令.zip_a_tensorflow_tensorflow 函数
09-24
2. **常量(const)**：`tf.constant()`用于创建一个不可变的张量，它的值在运行时不会改变。 3. **变量(variable)**：与常量相反，`tf.Variable()`用于创建可变的张量，它们可以在训练过程中更新。 4. **占位符...
Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现
09-17
例如，`tf.constant()`、`tf.Variable()`和`tf.placeholder()`都是创建操作节点的方法。在上面的代码中，`img = tf.constant(1.0, shape=[1,5,5,3])`创建了一个常量操作节点，它的值是1.0，形状为[1,5,5,3]。 在...
深度强化学习-Actor-Critic算法原理和实现 深度学习原理.pdf
04-13
bias_initializer=tf.constant_initializer(0.1), name='l1' ) self.acts_prob = tf.layers.dense( inputs=l1, units=n_actions, activation=tf.nn.softmax, kernel_initializer=tf.random_normal_...
Tensorflow_Learn:通过TF API工作
03-08
const_tensor = tf.constant(5) ``` - **变量**：值可以在计算过程中改变。 ```python var_tensor = tf.Variable(10, dtype=tf.int32) ``` ### 3. 操作（Operations） 操作是张量之间的运算，如加法、乘法等。...
TensorFlow的常量.变量.常用函数.docx
06-23
#### (1) `tf.constant()` 或 `tf.constant_initializer` `tf.constant()` 是用于创建一个不可变的常量 tensor 的函数。它接受一个值和数据类型作为参数，返回一个固定的 tensor。例如，`tf.constant(5)` 将创建一...
tensorflow中初始化函数
lty_sky的专栏
06-13 870
Tensorflow 提供了7种不同的初始化函数： 初始化函数 功能 主要参数 tf.constant_initializer 将变量初始化为给定常量 常量的取值（tf.constant_initializer(value)） tf.random_normal_initializer 将变量初始化为满足正态分布的随机值 正态分布的均值和标准差 ...
寻找最小误差（loss） tensorflow
qq_46906413的博客
10-25 614
import os import cv2 import numpy as np import tensorflow as tf h_pool2_flat = 12288 n_classes = 1 # 设置路径 data_home = 'data/imgdata/' # 标签映射字典 image_to_label = {} with open('data/label.txt', 'r') as fr: lines = fr.readlines() for line in lines: .
TensorFlow_1参数初始化方法
12-16 2801
TensorFlow学习系列： TensorFlow_1参数初始化方法 TensorFlow_2学习率 TensorFlow_3激活函数 TensorFlow_4正则化 TensorFlow_5dropout TensorFlow_6断点续训与Tensorboard可视化 TensorFlow_7优化器 TensorFlow_8损失函数   1，初始化为常量 1.1 cons...
初始化模型参数 python_关于tensorflow的几种参数初始化方法小结
weixin_39671964的博客
02-05 618
在tensorflow中，经常会遇到参数初始化问题，比如在训练自己的词向量时，需要对原始的embeddigs矩阵进行初始化，更一般的，在全连接神经网络中，每层的权值w也需要进行初始化。tensorlfow中应该有一下几种初始化方法1. tf.constant_initializer() 常数初始化2. tf.ones_initializer() 全1初始化3. tf.zeros_initializ...
Detectron2中的模型初始化@configurable和from_config
qq_40731332的博客
08-31 1684
Detectron2中的函数装饰器（decorator） 在__init__()函数上通常可以看到@configurable。它的作用是用config文件中的参数去初始化模型。简单来说，它没有首先执行__init__()函数，而是而是直接进入config.py的configurable函数，通过from_config函数取出取出变量，初始化__init__()。 我们先整理一下Python中的decorator 使用函数装饰器A()装饰另一个函数B()，底层执行了2步操作：（1）将B作为参数传给A()
tensorflow 参数初始化
diandihun9139的博客
04-19 163
1、tf.constant_initializer() 也可以简写为tf.Constant() 初始化为常数，这个非常有用，通常偏置项就是用它初始化的。 由它衍生出的两个初始化方法： a、 tf.zeros_initializer()， 也可以简写为tf.Zeros() b、tf.ones_initializer(), 也可以简写为tf.Ones() bias_initial...
tensorflow和pytorch中的参数初始化调用方法
凌逆战的博客
11-10 4530
　　神经网络中最重要的就是参数了，其中包括权重项$W$和偏置项$b$。 我们训练神经网络的最终目的就是得到最好的参数，使得目标函数取得最小值。参数的初始化也同样重要，因此微调受到很多人的重视， 　　只列一些常用的！ Tensorflow 常数初始化 tf.constant_initializer(value) value取0，则代表的是全0初始化，也可以表示为tf.zeros_in...
Tensorflow学习（3）参数初始化
楠国的鱼
11-18 4790
CNN中最重要的就是参数了，包括W,b。 我们训练CNN的最终目的就是得到最好的参数，使得目标函数取得最小值。参数的初始化也同样重要，因此微调受到很多人的重视，那么tf提供了哪些初始化参数的方法呢，我们能不能自己进行初始化呢？ 所有的初始化方法都定义在tensorflow/python/ops/init_ops.py 1、tf.constant_initializer()也可以简写为tf.Con
tensorflow API：tf.constant_initializer
NockinOnHeavensDoor的博客
05-07 7202
Args: value: 一个scalar, list 或者 tuple或者一个 n维numpy array.初始的variable的全部元素都会设定为相应的值 。 dtype:数据类型 官网例子： &gt;&gt;&gt; import numpy as np &gt;&gt;&gt; import tensorflow as tf &gt;&gt;&gt; value...
bias_initializer=tf.constant_initializer(0.1)
最新发布
07-08
bias_initializer=tf.constant_initializer(0.1)是一个在神经网络中初始化偏置项的方法。初始化权重和偏置项是神经网络训练的重要步骤之一，它可以对模型的性能产生影响。 在上述代码中，bias_initializer被设置为...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wanderer001

ROIAlign原理

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值