tensorflow随机张量创建

TensorFlow 有几个操作用来创建不同分布的随机张量。注意随机操作是有状态的，并在每次评估时创建新的随机值。

下面是一些相关的函数的介绍：

• tf.random_normal

从正态分布中输出随机值。 

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

args:

shape：一维整数或 Python 数组表示输出张量的形状。

mean：dtype 类型的0-D张量或 Python 值表示正态分布的均值。

stddev：dtype 类型的0-D张量或 Python 值表示正态分布的标准差。

dtype：输出的类型。

seed：一个 Python 整数。用于为分发创建一个随机种子。

name：操作的名称（可选）。

返回：将返回一个指定形状的张量，通过符合要求的随机值填充。

• tf.truncated_normal

生成的值遵循具有指定平均值和标准差的正态分布，和tf.random_normal不同之处在于其平均值大于 2 个标准差的值将被丢弃并重新选择。

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

args:

shape：一维整数或 Python 数组表示输出张量的形状。

mean：dtype 类型的 0-D 张量或 Python 值表示截断正态分布的均值。

stddev：dtype 类型的 0-D 张量或 Python 值表示截断前正态分布的标准偏差。

dtype：输出的类型。

seed：一个 Python 整数。用于为分发创建随机种子。

name：操作的名称（可选）。

返回：

函数返回指定形状的张量，通过随机截断的符合要求的值填充。

• tf.random_uniform

从均匀分布中输出随机值。

random_uniform(
    shape,
    minval=0,
    maxval=None,
    dtype=tf.float32,
    seed=None,
    name=None
)

生成的值在该 [minval, maxval) 范围内遵循均匀分布。下限 minval 包含在范围内，而上限 maxval 被排除在外。

args:

shape：一维整数或 Python 数组表示输出张量的形状。

minval：dtype 类型的 0-D 张量或 Python 值；生成的随机值范围的下限；默认为0。

maxval：dtype 类型的 0-D 张量或 Python 值。要生成的随机值范围的上限。如果 dtype 是浮点，则默认为1 。

dtype：输出的类型：float16、float32、float64、int32、orint64。

seed：一个 Python 整数。用于为分布创建一个随机种子。

name：操作的名称（可选）。

返回：

用于填充随机均匀值的指定形状的张量。

• tf.random_shuffle

随机地将张量沿其第一维度打乱。

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

张量沿着维度0被重新打乱，使得每个 value[i][j] 被映射到唯一一个 output[m][j]。例如，一个 3x2 张量可能出现的映射是：

[[1, 2],       [[5, 6],
 [3, 4],  ==>   [1, 2],
 [5, 6]]        [3, 4]]

args:

value：将被打乱的张量。

seed：一个 Python 整数。用于为分布创建一个随机种子。

name：操作的名称（可选）。

返回：

与 value 具有相同的形状和类型的张量，沿着它的第一个维度打乱。

• tf.random_crop

随机地将张量裁剪为给定的大小。

random_crop(
    value,
    size,
    seed=None,
    name=None
)

以一致选择的偏移量将一个形状 size 部分从 value 中切出。需要的条件：value.shape >= size。

如果大小不能裁剪，请传递该维度的完整大小。例如，可以使用 size = [crop_height, crop_width, 3] 裁剪 RGB 图像。

cifar10中就有利用该函数随机裁剪24*24大小的彩色图片的例子，代码如下：

distorted_image = tf.random_crop(reshaped_image, [height, width, 3])

args：

• value：向裁剪输入张量。
• size：一维张量，大小等级为 value。
• seed：Python 整数。用于创建一个随机的种子。
• name：此操作的名称（可选）。

返回：

与 value 具有相同的秩并且与 size 具有相同形状的裁剪张量。

• tf.multinomial

从多项式分布中抽取样本。

multinomial(
    logits,
    num_samples,
    seed=None,
    name=None
)

args：

• logits：形状为 [batch_size, num_classes] 的二维张量；每个切片：[i, :] 表示所有类的非标准化对数概率。
• num_samples：0维张量。为每行切片绘制的独立样本数。
• seed：Python整数。用于为分发创建一个随机种子。
• name：操作的名称（可选）。

返回：

返回绘制样品的形状 [batch_size, num_samples]。

• tf.random_gamma

从每个给定的伽玛分布中绘制 shape 样本。一般对这个函数不是很理解，详细查看伽玛分布原理。此处仅作介绍。

random_gamma(
    shape,
    alpha,
    beta=None,
    dtype=tf.float32,
    seed=None,
    name=None
)

alpha 是形状参数，beta 是尺度参数。

args：

shape：一维整数张量或 Python 数组。输出样本的形状是按照 alpha/beta-parameterized 分布绘制的。

alpha：一个张量或者 Python 值或者 dtype 类型的 N-D 数组。

beta：一个张量或者 Python 值或者 dtype 类型的 N-D 数组，默认为1。

dtype：alpha、beta 的类型，输出：float16，float32 或 float64。

seed：一个 Python 整数。用于为分布创建一个随机种子。

name：操作的名称（可选）。

返回：

samples：具有 dtype 类型值的带有形状 tf.concat(shape, tf.shape(alpha + beta)) 的 Tensor。

• tf.set_random_seed

设置图形级随机seed。作用在于可以在不同的图中重复那些随机变量的值。

set_random_seed(seed)

可以从两个seed中获得依赖随机seed的操作：图形级seed和操作级seed。seed必须是整数，对大小没有要求，只是作为图形级和操作级标记使用，本节将介绍如何设置图形级别的seed。

它与操作级别seed的关系如下：

1. 如果既没有设置图层级也没有设置操作级别的seed：则使用随机seed进行该操作。
2. 如果设置了图形级seed，但操作seed没有设置：系统确定性地选择与图形级seed结合的操作seed，以便获得唯一的随机序列。
3. 如果未设置图形级seed，但设置了操作seed：使用默认的图层seed和指定的操作seed来确定随机序列。
4. 如果图层级seed和操作seed都被设置：则两个seed将一起用于确定随机序列。

具体来说，使用seed，牢记以下三点：

1. 要在会话中不同图中生成不同的序列，请不要设置图层级别seed或操作级别seed；
2. 要为会话中的操作在不同图中生成相同的可重复序列，请为该操作设置seed；
3. 要使所有操作生成的随机序列在会话中的不同图中都可重复，请设置图形级别seed；

#-*-coding:utf-8-*-
#不同情况请注释或取消注释相关语句
import tensorflow as tf
#第一种情形：无seed
a = tf.random_uniform([1])
#第二种情形：操作级seed
#a = tf.random_uniform([1], seed=-8)
#第三种情形:图层级seed
#tf.set_random_seed(1234)
#a = tf.random_uniform([1])
b = tf.random_normal([1])

tf.global_variables_initializer()

print("Session 1")
with tf.Session() as sess1:
  print(sess1.run(a))  # a1
  print(sess1.run(a))  # a2
  print(sess1.run(b))  # b1
  print(sess1.run(b))  # b2

print("Session 2")
with tf.Session() as sess2:
  print(sess2.run(a))  # a3(第一种情形a1!=a3;第二种情形a1==a3;第三种情形a1==a3)
  print(sess2.run(a))  # a4(同上)
  print(sess2.run(b))  # b3(第一种情形b1!=b3;第二种情形b1!=b3;第三种情形b1==b3)
  print(sess2.run(b))  # b4(同上)

上述函数都含有seed参数，属于操作级seed。

 示例：

#-*-coding:utf-8-*-
#随机问题每次运行的结果都不大一样
import tensorflow as tf

x= tf.multinomial(tf.log([[10., 10.]]), 5)
y=tf.random_normal([2,3],mean=1,stddev=3)
z=tf.truncated_normal([2,3],mean=1,stddev=3)
w=tf.random_uniform([1,3],9,16)
v=tf.random_shuffle([[1,2,3],[4,5,6]])
u=tf.random_crop([[2,4,6],[9,8,0]],[2,2])
a = tf.constant([[1., 2., 3., 4., 1.], [3., 2., 3., 4., 3.]], name='a')
b = tf.multinomial(a, 1, name='b')
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print (sess.run(x))
print (sess.run(y))
print (sess.run(z))
print (sess.run(w))
print (sess.run(v))
print (sess.run(u))
print (sess.run(a))
print (sess.run(b))

 不得不提的是，严谨点，上述代码虽然简单，但都没有在最后sess.close，关闭图并且释放其占用的内存，又或者用with语句块，读者不妨加上。