Tensorflow Python API 翻譯（constant_op）

時間 2019-12-12

標籤 tensorflow python api 翻譯 constant 欄目 Python 简体版

原文原文鏈接

做者：chen_h
微信號 & QQ：862251340
微信公衆號：coderpai
簡書地址：https://www.jianshu.com/p/d05...python

計劃現將 tensorflow 中的 Python API 作一個學習，這樣方便之後的學習。
原文連接

該章介紹有關常量張量，序列操做，隨機數張量的API

常量張量

Tensorflow提供了不少的操做，去幫助你構建常量。git

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

解釋：這個函數返回一個全是零的張量，數據維度是 shape，數據類型是 dtype。算法

使用例子：api

#!/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)

輸入參數：數組

shape: 一個整型的數組，或者一個一維的Tensor，數據類型是：int32。
dtype: 輸出結果Tensor的數據類型。
name:（可選）爲這個操做取一個名字。

輸出參數：微信

一個Tensor，裏面的因此數據都是0。

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

解釋：這個函數返回一個全是零的張量，數據維度是和Tensor同樣，數據類型是默認是和Tensor同樣，可是咱們也能夠本身指定。函數

使用例子：學習

#!/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)

輸入參數：

tensor: 一個Tensor。
dtype: 輸出結果Tensor的數據類型，必須是 float32，float64，int8，int16，int32，int64，uint8或者complex64。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，裏面的因此數據都是0。

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

解釋：這個函數返回一個全是1的張量，數據維度是shape，數據類型是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)

輸入參數：

shape: 一個整型的數組，或者一個一維的Tensor，數據類型是 int32。
dtype: 輸出結果Tensor的數據類型。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，裏面的因此數據都是1。

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

解釋：這個函數返回一個全是一的張量，數據維度是和Tensor同樣，數據類型是默認是和Tensor同樣，可是咱們也能夠本身指定。

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)

輸入參數：

tensor: 一個Tensor。
dtype: 輸出結果Tensor的數據類型，必須是 float32，float64，int8，int16，int32，int64，uint8或者complex64。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，裏面的因此數據都是1。

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

解釋：這個函數返回一個Tensor，數據維度是dims，填充的數據都是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)

輸入參數：

dim: 一個Tensor，數據類型是int32，表示輸出數據的維度。
value: 一個Tensor，數據維度是0維，便是一個常量（標量），輸出數據因此填充的都是該值。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型和value相同。

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

解釋：這個函數返回一個常量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)

輸入參數：

value: 一個常量或者是一個數組，該數據類型就是輸出的數據類型。
dtype: 輸出數據的類型。
shape:（可選）輸出數據的維度。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個常量Tensor。

序列操做

Tensorflow提供了一些函數，去幫助咱們構建序列。

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

解釋：這個函數返回一個序列數組，數組的第一個元素是start，若是num>1，那麼序列的最後一個元素就是 stop - start / num - 1。也就是說，最後一個元素確定是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)

輸入參數：

start: 一個Tensor。數據類型必須是float32或者float64。該值是輸出序列的第一個元素。
stop: 一個Tensor。數據類型必須和start相同。該值是輸出序列的最後一個元素。
num: 一個Tensor，數據類型是int32。該值肯定輸出序列的個數
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型和start相同，數據維度是一維。

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

解釋：這個函數返回一個序列數組，數組的第一個元素是start，以後的每個元素都在前一個元素的基礎上，加上delta，直到limit，可是不包括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)

輸入參數：

start: 一個0維的Tensor，即一個標量。數據類型必須是int32。該值是輸出序列的第一個元素。
limit: 一個0維的Tensor，即一個標量。數據類型必須是int32。該值是輸出序列的最後限制，但不包含該值。
delta: 一個0維的Tensor，即一個標量。數據類型必須是int32。（可選）該值默認是1，也就是說輸出數據從start開始。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型int32，數據維度是一維。

隨機數張量

Tensorflow提供了一些函數，去幫助咱們構建隨機數張量。

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

解釋：這個函數返回一個隨機數序列，數組裏面的值按照正態分佈。

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)

輸入參數：

shape: 一個一維的Tensor，或者是一個python數組。該值是肯定輸出序列的數據維度。
mean: 一個0維的Tensor，或者一個數據類型是dtype的python值。該值表示正態分佈的均值。
stddev: 一個0維的Tensor，或者一個數據類型是dtype的python值，該值表示正態分佈的標準誤差。
dtype: 輸出數據的數據類型。
seed: 一個python整型，爲分佈產生一個隨機種子，具體能夠參見set_random_seed函數。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型是dtype，數據維度是shape，裏面的值符合正態分佈。

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

解釋：這個函數返回一個隨機數序列，數組裏面的值按照正態分佈，但和random_normal函數不一樣的是，該值返回的是一個截斷的正態分佈類型。也就是說，產生出來的值範圍都是在 [mean - 2 * standard_deviations, mean + 2 * standard_deviations]內，下圖能夠告訴你這個具體範圍在哪。

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)

輸入參數：

shape: 一個一維的Tensor，或者是一個python數組。該值是肯定輸出序列的數據維度。
mean: 一個0維的Tensor，或者一個數據類型是dtype的python值。該值表示正態分佈的均值。
stddev: 一個0維的Tensor，或者一個數據類型是dtype的python值，該值表示正態分佈的標準誤差。
dtype: 輸出數據的數據類型。
seed: 一個python整型，爲分佈產生一個隨機種子，具體能夠參見set_random_seed函數。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型是dtype，數據維度是shape，裏面的值是一個截斷的正態分佈。

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

解釋：這個函數返回一個隨機數序列，數組裏面的值按照均勻分佈，數據範圍是 [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)

輸入參數：

shape: 一個一維的Tensor，或者是一個python數組。該值是肯定輸出序列的數據維度。
minval: 一個0維的Tensor，或者一個數據類型是dtype的python值。該值表示均勻分佈的最小值。
maxval: 一個0維的Tensor，或者一個數據類型是dtype的python值，該值表示均勻分佈的最大值，可是不能取到該值。
dtype: 輸出數據的數據類型。
seed: 一個python整型，爲分佈產生一個隨機種子，具體能夠參見set_random_seed函數。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型是dtype，數據維度是shape，裏面的值符合均勻分佈。

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

解釋：這個函數返回一個隨機數序列，將value中的數據打亂輸出。

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)

輸入參數：

value: 一個Tensor，須要打亂的數據。
seed: 一個python整型，爲分佈產生一個隨機種子，具體能夠參見set_random_seed函數。
name:（可選）爲這個操做取一個名字。

輸出參數：

一個Tensor，數據類型和數據維度都和value相同。

tf.set_random_seed(seed)

解釋：這個函數是設置圖層面的隨機種子。隨機種子分爲兩類，一類是圖層面的隨機種子，另外一類是操做層面的隨機種子。具體區別以下：

第一種，若是圖層面和操做層面的隨機種子都沒有設置，那麼隨機種子將在每一個操做中被更新。例子以下：

#!/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'

第二種，若是圖層面的隨機種子被設置了，可是操做層面的隨機種子沒有被設置。那麼，系統將把圖層面的隨機種子設置成操做層面的隨機種子，以致於操做層面的隨機種子將被肯定下來。

#!/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'

第三種，若是圖層面的隨機種子沒有被設置，可是操做層面的隨機種子被設置了，那麼被設置隨機種子的操做層將有肯定的惟一種子，其餘操做層不具備惟一種子。

#!/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'

第四種，若是圖層面和操做層面都設置了隨機種子，那麼這兩個隨機種子都將被使用，可是最後起做用的隨機種子是惟一的，即操做的隨機輸出值是肯定的。

#!/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'

輸入參數：