这篇文章主要介绍了TensorFlow中常量、变量和运算操作的示例分析，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
常量
tf.constant()
tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False),value为值，dtype类型，shape为张量形状，name名称、verify_shape默认False，这些项可选。作用创建一个常量。
a = tf.constant(2, name="a") # print(a) = 2 b = tf.constant(2.0, dtype=tf.float32, shape=[2,2], name="b") # 2x2矩阵，值为2 c = tf.constant([[1, 2], [3, 4]], name="c") # 2x2矩阵,值1,2,3,4
tf.zeros()和tf.zeros_like()
tf.zeros(shape, dtype=tf.float32, name=None), shape为张量形状，dtype类型，name名称。创建一个值为0的常量。
a = tf.zeros(shape=[2, 3], dtype=tf.int32, name='a') # 2x3矩阵，值为0, a = [[0, 0, 0], [0, 0, 0]]
tf.zeros_like(input_tensor, dtype=None, name=None, optimize=True)，input_tensor为张量，dtype类型，name名称，optimize优化。根据输入张量创建一个值为0的张量，形状和输入张量相同。
input_tensor = tf.constant([[1,2], [3,4], [5,6]) a = tf.zeros_like(input_tensor) # a = [[0, 0], [0, 0], [0, 0]]
tf.ones()和tf.ones_like()
tf.ones(shape, dtype=tf.float32, name=None)，与tf.zeros()类似。
tf.ones_like(input_tensor, dtype=None, name=None, optimize=True)，与tf.zeros_like()类似。
tf.fill()
tf.fill(dims, value, name=None), dims为张量形状，同上述shape，vlaue值，name名称。作用是产生一个张量，用一个具体值充满张量。
a = tf.fill([2,3], 8) # 2x3矩阵，值为8
tf.linspace()
tf.linspace(start, stop, num, name=None)，start初始值，stop结束值，num数量，name名称。作用是产生一个等差数列一维向量，个数是num，初始值start、结束值stop。
a = tf.linspace(10.0, 13.0, 4) # a = [10.0 11.0 12.0 13.0]
tf.range()
tf.range(start=0, limit=None, delta=1, dtype=None, name='range')，start初始值，limit限制，delta增量，dtype类型，name名称。作用是产生一个等差数列的一维向量，初始值start，公差delta，结束值小于limit。
a = tf.range(start, limit, delta) # a = [3, 6, 9, 12, 15] b = tf.range(5) # b = [0, 1, 2, 3, 4]
tf.random_normal()
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None), shape张量形状，mean均值，stddev标准差，dtype类型，seed随机种子，name名称。作用是产生一个正太分布分布，均值为mean，标准差为stddev。
tf.truncated_normal()
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None,name=None)，shape张量形状，mean均值，stddev标准差，dtype类型，seed随机种子，name名称。作用是产生一个截断的正太分布，形状为shape，均值为mean，标准差为stddev。
tf.random_uniform()
tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None,name=None)，shape张量形状，minval最小值，maxval大值，dtype类型，seed随机种子，name名称。作用是产生一个均匀分布，形状为shape，最小值为minval，大值为maxval。
tf.random_shuffle()
tf.random_shuffle(value, seed=None, name=None)，value张量，seed随机种子，name名称。作用是将张量value里面的值随机打乱。
a = tf.constant([[1,2],[3,4]],name='a') b = tf.random_shuffle(a, name='b') # b = [[2,3], [1,4]]
tf.random_crop()
tf.random_crop(value, size, seed=None, name=None),value张量，size大小，seed随机种子，name名称。作用是将张量value随机裁剪成size形状大小的张量，value形状大小>=size。
tf.multinomial()
tf.multinomial(logits, num_samples, seed=None, name=None), logits张量，num_samples采样输出，seed随机种子，name名称。作用是根据概率分布的大小，随机返回对应维度的下标序号。
a = tf.constant([[1, 2, 3, 4, 1], [3, 2, 3, 4, 3]], name='a') b = tf.multinomial(a, 1, name='b') # b = [0, 0]或者[0, 2]或者[4, 4]
tf.random_gamma()
tf.random_gamma(shape, alpha, beta=None, dtype=tf.float32, seed=None, name=None)。作用是产生一个Gamma分布。
变量
tf.Variable()
tf.Variable(
a = tf.Variable(2, name="scalar") b = tf.Variable([2, 3], name="vector") c = tf.Variable([[0, 1], [2, 3]], name="matrix") W = tf.Variable(tf.zeros([784,10]), name="weights") Z = tf.Variable(tf.random_normal([784, 10], mean=0, stddev=0.01), name="Z"
tf.Variable().initializer
1.全局变量初始化
init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init)
2.指定变量初始化
W = tf.Variable(tf.truncated_normal([700, 10]))
with tf.Session() as sess:
sess.run(W.initializer)
print(W) # Tensor("Variable/read:0", shape=(700, 10), dtype=float32)tf.Variable().eval()
返回变量值。
W = tf.Variable(tf.truncated_normal([700, 10])) with tf.Session() as sess: sess.run(W.initializer) print(W.eval()) >> [[-0.76781619 -0.67020458 1.15333688 ..., -0.98434633 -1.25692499 -0.90904623] [-0.36763489 -0.65037876 -1.52936983 ..., 0.19320194 -0.38379928 0.44387451] [ 0.12510735 -0.82649058 0.4321366 ..., -0.3816964 0.70466036 1.33211911] ..., [ 0.9203397 -0.99590844 0.76853162 ..., -0.74290705 0.37568584 0.64072722] [-0.12753558 0.52571583 1.03265858 ..., 0.59978199 -0.91293705 -0.02646019] [ 0.19076447 -0.62968266 -1.97970271 ..., -1.48389161 0.68170643
tf.Variable.assign()
直接调用assign()并不起作用，它是一个操作，需要sess.run()操作才能起效果。
W = tf.Variable(10) W.assign(100) with tf.Session() as sess: sess.run(W.initializer) print(W.eval()) # >> 10
W = tf.Variable(10) assign_op = W.assign(100) with tf.Session() as sess: # sess.run(W.initializer) # 当变量有值的话，可以省略，不需要初始化 sess.run(assign_op) print W.eval() # >> 100
运算操作
运算操作图
tf.multiply()和tf.matmul()
tf.multiply(x, y, name)作用是x, y逐项相乘。
tf.matmul(x, y, name)作用是x，y矩阵相乘。
a = tf.constant([3, 6]) b = tf.constant([2, 2]) c1 = tf.matmul(a, b) # 报错 c2 = tf.matmul(tf.reshape(a, [1, 2]), tf.reshape(b, [2, 1]))# c2 = [[18]] c3 = tf.multiply(a, b) # c3 = [6, 12]
加减就不细说了。
感谢你能够认真阅读完这篇文章，希望小编分享的“TensorFlow中常量、变量和运算操作的示例分析”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!
