Tensorflow Python API 翻译(constant_op)

作者:chen_h
微信号 & QQ:862251340
微信公众号:coderpai
我的博客:请点击这里

计划现将 tensorflow 中的 Python API 做一个学习,这样方便以后的学习。
原文链接

该章介绍有关常量张量,序列操作,随机数张量的API

常量张量

Tensorflow提供了很多的操作,去帮助你构建常量。

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

解释:这个函数返回一个全是零的张量,数据维度是 shape,数据类型是 dtype

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")
print sess.run(data)

输入参数:
* shape: 一个整型的数组,或者一个一维的Tensor,数据类型是:int32
* dtype: 输出结果Tensor的数据类型。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,里面的所以数据都是0。

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

解释:这个函数返回一个全是零的张量,数据维度是和Tensor一样,数据类型是默认是和Tensor一样,但是我们也可以自己指定。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")
d_1 = tf.zeros_like(data)
d_2 = tf.zeros_like(data, tf.float32)
print sess.run(d_1)
print sess.run(d_2)

输入参数:
* tensor: 一个Tensor
* dtype: 输出结果Tensor的数据类型,必须是 float32float64int8int16int32int64uint8或者complex64
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,里面的所以数据都是0。

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

解释:这个函数返回一个全是1的张量,数据维度是shape,数据类型是dtype

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.ones(shape = [2, 3], dtype = tf.int32, name = "input_data")
print sess.run(data)

输入参数:
* shape: 一个整型的数组,或者一个一维的Tensor,数据类型是 int32
* dtype: 输出结果Tensor的数据类型。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,里面的所以数据都是1。

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

解释:这个函数返回一个全是一的张量,数据维度是和Tensor一样,数据类型是默认是和Tensor一样,但是我们也可以自己指定。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")
d_1 = tf.ones_like(data)
d_2 = tf.ones_like(data, tf.float32)
print sess.run(d_1)
print sess.run(d_2)

输入参数:
* tensor: 一个Tensor
* dtype: 输出结果Tensor的数据类型,必须是 float32float64int8int16int32int64uint8或者complex64
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,里面的所以数据都是1。

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

解释:这个函数返回一个Tensor,数据维度是dims,填充的数据都是value

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.fill([2,3], 9)
print sess.run(data)

输入参数:
* dim: 一个Tensor,数据类型是int32,表示输出数据的维度。
* value: 一个Tensor,数据维度是0维,即是一个常量(标量),输出数据所以填充的都是该值。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型和value相同。

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

解释:这个函数返回一个常量Tensor

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([1, 2, 3])
print sess.run(data)
data = tf.constant(-1.0, shape = [2, 3])
print sess.run(data)
data = tf.constant(2.0, dtype = tf.float32, shape = [2, 3])
print sess.run(data)

输入参数:
* value: 一个常量或者是一个数组,该数据类型就是输出的数据类型。
* dtype: 输出数据的类型。
* shape:(可选)输出数据的维度。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个常量Tensor

序列操作

Tensorflow提供了一些函数,去帮助我们构建序列。

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

解释:这个函数返回一个序列数组,数组的第一个元素是start,如果num>1,那么序列的最后一个元素就是 stop - start / num - 1。也就是说,最后一个元素肯定是stop

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.linspace(10.0, 15.0, 10)
print sess.run(data)

输入参数:
* start: 一个Tensor。数据类型必须是float32或者float64。该值是输出序列的第一个元素。
* stop: 一个Tensor。数据类型必须和start相同。该值是输出序列的最后一个元素。
* num: 一个Tensor,数据类型是int32。该值确定输出序列的个数
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型和start相同,数据维度是一维。

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

解释:这个函数返回一个序列数组,数组的第一个元素是start,之后的每一个元素都在前一个元素的基础上,加上delta,直到limit,但是不包括limit

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.range(3, 15, 3)
print sess.run(data)

输入参数:
* start: 一个0维的Tensor,即一个标量。数据类型必须是int32。该值是输出序列的第一个元素。
* limit: 一个0维的Tensor,即一个标量。数据类型必须是int32。该值是输出序列的最后限制,但不包含该值。
* delta: 一个0维的Tensor,即一个标量。数据类型必须是int32。(可选)该值默认是1,也就是说输出数据从start开始。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型int32,数据维度是一维。

随机数张量

Tensorflow提供了一些函数,去帮助我们构建随机数张量。

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

解释:这个函数返回一个随机数序列,数组里面的值按照正态分布。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.random_normal([2, 3])
print sess.run(data)

输入参数:
* shape: 一个一维的Tensor,或者是一个python数组。该值是确定输出序列的数据维度。
* mean: 一个0维的Tensor,或者一个数据类型是dtype的python值。该值表示正态分布的均值。
* stddev: 一个0维的Tensor,或者一个数据类型是dtype的python值,该值表示正态分布的标准偏差。
* dtype: 输出数据的数据类型。
* seed: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed函数。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型是dtype,数据维度是shape,里面的值符合正态分布。

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

解释:这个函数返回一个随机数序列,数组里面的值按照正态分布,但和random_normal函数不同的是,该值返回的是一个截断的正态分布类型。也就是说,产生出来的值范围都是在 [mean - 2 * standard_deviations, mean + 2 * standard_deviations]内,下图可以告诉你这个具体范围在哪。

truncated_normal

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.truncated_normal([2, 3])
print sess.run(data)

输入参数:
* shape: 一个一维的Tensor,或者是一个python数组。该值是确定输出序列的数据维度。
* mean: 一个0维的Tensor,或者一个数据类型是dtype的python值。该值表示正态分布的均值。
* stddev: 一个0维的Tensor,或者一个数据类型是dtype的python值,该值表示正态分布的标准偏差。
* dtype: 输出数据的数据类型。
* seed: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed函数。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型是dtype,数据维度是shape,里面的值是一个截断的正态分布。

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

解释:这个函数返回一个随机数序列,数组里面的值按照均匀分布,数据范围是 [minval, maxval)

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.random_uniform([2, 3])
print sess.run(data)

输入参数:
* shape: 一个一维的Tensor,或者是一个python数组。该值是确定输出序列的数据维度。
* minval: 一个0维的Tensor,或者一个数据类型是dtype的python值。该值表示均匀分布的最小值。
* maxval: 一个0维的Tensor,或者一个数据类型是dtype的python值,该值表示均匀分布的最大值,但是不能取到该值。
* dtype: 输出数据的数据类型。
* seed: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed函数。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型是dtype,数据维度是shape,里面的值符合均匀分布。

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

解释:这个函数返回一个随机数序列,将value中的数据打乱输出。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2], [3, 4], [5, 6]])
shuff_data = tf.random_shuffle(data)
print sess.run(data)
print sess.run(shuff_data)

data = tf.constant([1, 2, 3, 4, 5, 6])
shuff_data = tf.random_shuffle(data)
print sess.run(data)
print sess.run(shuff_data)

输入参数:
* value: 一个Tensor,需要打乱的数据。
* seed: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed函数。
* name:(可选)为这个操作取一个名字。

输出参数:
* 一个Tensor,数据类型和数据维度都和value相同。

tf.set_random_seed(seed)

解释:这个函数是设置图层面的随机种子。随机种子分为两类,一类是图层面的随机种子,另一类是操作层面的随机种子。具体区别如下:

第一种,如果图层面和操作层面的随机种子都没有设置,那么随机种子将在每个操作中被更新。例子如下:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

a = tf.random_uniform([1])
b = tf.random_normal([1])

print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates 'A1'
    print sess1.run(a)  # generates 'A2'
    print sess1.run(b)  # generates 'B1'
    print sess1.run(b)  # generates 'B2'

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates 'A3'
    print sess2.run(a)  # generates 'A4'
    print sess2.run(b)  # generates 'B3'
    print sess2.run(b)  # generates 'B4'

第二种,如果图层面的随机种子被设置了,但是操作层面的随机种子没有被设置。那么,系统将把图层面的随机种子设置成操作层面的随机种子,以至于操作层面的随机种子将被确定下来。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

tf.set_random_seed(1234)
a = tf.random_uniform([1])
b = tf.random_normal([1])

# Repeatedly running this block with the same graph will generate different
# sequences of 'a' and 'b'.
print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates 'A1'
    print sess1.run(a)  # generates 'A2'
    print sess1.run(b)  # generates 'B1'
    print sess1.run(b)  # generates 'B2'

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates 'A1'
    print sess2.run(a)  # generates 'A2'
    print sess2.run(b)  # generates 'B1'
    print sess2.run(b)  # generates 'B2'

第三种,如果图层面的随机种子没有被设置,但是操作层面的随机种子被设置了,那么被设置随机种子的操作层将有确定的唯一种子,其他操作层不具有唯一种子。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

a = tf.random_uniform([1], seed=1)
b = tf.random_normal([1])

# Repeatedly running this block with the same graph will generate the same
# sequence of values for 'a', but different sequences of values for 'b'.
print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates 'A1'
    print sess1.run(a)  # generates 'A2'
    print sess1.run(b)  # generates 'B1'
    print sess1.run(b)  # generates 'B2'

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates 'A1'
    print sess2.run(a)  # generates 'A2'
    print sess2.run(b)  # generates 'B3'
    print sess2.run(b)  # generates 'B4'

第四种,如果图层面和操作层面都设置了随机种子,那么这两个随机种子都将被使用,但是最后起作用的随机种子是唯一的,即操作的随机输出值是确定的。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

tf.set_random_seed(1234)
a = tf.random_uniform([1], seed = 1)
b = tf.random_normal([1], seed = 2)

# Repeatedly running this block with the same graph will generate the same
# sequence of values for 'a', but different sequences of values for 'b'.
print "Session 1"
with tf.Session() as sess1:
    print sess1.run(a)  # generates 'A1'
    print sess1.run(a)  # generates 'A2'
    print sess1.run(b)  # generates 'B1'
    print sess1.run(b)  # generates 'B2'

print "Session 2"
with tf.Session() as sess2:
    print sess2.run(a)  # generates 'A1'
    print sess2.run(a)  # generates 'A2'
    print sess2.run(b)  # generates 'B1'
    print sess2.run(b)  # generates 'B2'

输入参数:
* seed: 一个整数类型。


CoderPai 是一个专注于算法实战的平台,从基础的算法到人工智能算法都有设计。如果你对算法实战感兴趣,请快快关注我们吧。加入AI实战微信群,AI实战QQ群,ACM算法微信群,ACM算法QQ群。详情请关注 “CoderPai” 微信号(coderpai) 。


关注下面的标签,发现更多相似文章
评论
说说你的看法