您的位置：首页 > 编程语言 > Python开发

Tensorflow Python API 翻译（constant_op）

2018-01-12 23:24 399 查看
作者：chen_h

微信号 & QQ：862251340

微信公众号：coderpai

简书地址：https://www.jianshu.com/p/d05ded5678b0

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 
float32
，
float64
，
int8
，
int16
，
int32
，
int64
，
uint8
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 
float32
，
float64
，
int8
，
int16
，
int32
，
int64
，
uint8
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<
4000
/span> = 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。



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。

作者：chen_h

微信号 & QQ：862251340

简书地址：https://www.jianshu.com/p/d05ded5678b0

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。长按或者扫描如下二维码，关注 “CoderPai” 微信号（coderpai）

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航