tf的常见用法

BEGIN：

import tensorflow as tf

 

1、tf.constant：创建一个常数张量,传入list或者数值或字符串来填充
　　

tf.constant([1,5,6,3,4,7,8,9])

　　###输出：
　　　　<tf.Tensor: id=7, shape=(8,), dtype=int32, numpy=array([1, 5, 6, 3, 4, 7, 8, 9])>
　　　　tensor = tf.constant(-1.0, shape=[2, 3])
　　

print(tensor)

　　###输出：

　　　　tf.Tensor(
　　　　[[-1. -1. -1.]
　　　　[-1. -1. -1.]], shape=(2, 3), dtype=float32)

import tensorflow as tf
mss = tf.constant("Welcom to tensorflow!\n")
with tf.Session() as sess:
  print(sess.run(mss).decode())

　　###输出：　　

Welcom to tensorflow!

 

2、tf.nn.conv2d：创在TensorFlow中使用tf.nn.conv2d实现卷积操作

　　tf.nn.conv2d(
    　　input,
    　　filter,
    　　strides,
    　　padding,
   　　 use_cudnn_on_gpu=True,
    　　data_format='NHWC',
    　　dilations=[1, 1, 1, 1],
    　　name=None
　　)

input:输入图像，具有[batch,in_height,in_width,in_channels]这样的4维shape，分别是图片数量、图片高度、图片宽度、图片通道数（灰度图为1，彩图为3），数据
类型为float32或float64。
filter:CNN中的卷积核，shape是[filter_height,filter_width,in_channels,out_channels]：滤波器高度、宽度、图像通道数、滤波器个数，数据类型和input相同。
padding:定义元素边框和元素内容之间的空间，只能是‘SAME’（边缘填充）或者‘VALID’（边缘不填充）。

3、tf.zeros:创建一个全零矩阵
　　

tf.zeros([2,3],'int32')

　　###输出：

　　　　<tf.Tensor: id=15, shape=(2, 3), dtype=int32, numpy=
　　　　array([[0, 0, 0],
　　　　[0, 0, 0]])>

4、tf.truncated_normal:从截断的正态分布中输出随机值。
生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。
在正态分布的曲线中:
　　横轴区间（μ-σ，μ+σ）内的面积为68.268949%。
　　横轴区间（μ-2σ，μ+2σ）内的面积为95.449974%。
　　横轴区间（μ-3σ，μ+3σ）内的面积为99.730020%。
X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值区间，这称
之为正态分布的“3σ”原则。
在tf.truncated_normal中如果x的取值在区间（μ-2σ，μ+2σ）之外则重新进行选择。这样保证了生成的值都在均值附近。 

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

shape:一维张量，输出张量
mean:正态分布的均值
stddev:正态分布的标准差
dtype:输出的类型
seed:一个整数，当设置之后，每次生成的随机数都一样
name:操作的名字

举个栗子：

import tensorflow as tf
c = tf.truncated_normal(shape=[3, 3], mean=0, stddev=1)

with tf.Session() as sess:
    print(sess.run(c))

运行结果：

 

 

5、tf.random_normal:从正态分布中输出随机值

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

shape:一维张量，输出张量
mean:正态分布的均值
stddev:正态分布的标准差
dtype:输出的类型
seed:一个整数，当设置之后，每次生成的随机数都一样
name:操作的名字
例如：

import tensorflow as tf
a = tf.Variable(tf.random_normal([2,2],seed=1))
b = tf.Variable(tf.truncated_normal([2,2],seed=2))
init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  print('\n','a:')
  print(sess.run(a))
  print('\n','b:')
  print(sess.run(b))

输出

指定seed之后，a的值不变，b的值也不变。（即多次运行的结果是一样的）

全0矩阵：tf.zeros([2,3],int32)
全1矩阵：tf.ones([2,3],int32)
全为指定数字矩阵：tf.fill([2,3],9)
给定常量：tf.constant
矩阵对应位置相乘：*
矩阵变量：tf.Variable
矩阵乘法：tf.matmul

均匀分布：tf.random_uniform
Gamma分布：tf.random_gamma
限制张量值得范围：tf.clip_by_value(y, 1e-10, 1.0)

参考：https://www.jianshu.com/p/c72af2ff5393

END.