本文共 9971 字，大约阅读时间需要 33 分钟。
作者：chen_h
微信号 & QQ：862251340 微信公众号：coderpai 简书地址：计划现将 tensorflow 中的 Python API 做一个学习，这样方便以后的学习。
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 = 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：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）
