目錄標(biāo)題

• 張量
• 常量
• 變量
• 占位符
• 解讀分析

張量

張量，可理解為一個(gè) n 維矩陣，所有類型的數(shù)據(jù)，包括標(biāo)量、矢量和矩陣等都是特殊類型的張量。

常量

聲明一個(gè)標(biāo)量常量：

一個(gè)形如 [1，3] 的常量向量可以用如下代碼聲明：

要?jiǎng)?chuàng)建一個(gè)所有元素為零的張量，可以使用 tf.zeros() 函數(shù)。這個(gè)語(yǔ)句可以創(chuàng)建一個(gè)形如 [M，N] 的零元素矩陣，數(shù)據(jù)類型（dtype）可以是 int32、float32 等：

還可以創(chuàng)建與現(xiàn)有 Numpy 數(shù)組或張量常量具有相同形狀的張量常量

創(chuàng)建一個(gè)所有元素都設(shè)為 1 的張量。下面的語(yǔ)句即創(chuàng)建一個(gè)形如 [M，N]、元素均為 1 的矩陣：

在一定范圍內(nèi)生成一個(gè)從初值到終值等差排布的序列：

相應(yīng)的值為 (stop-start)/(num-1)。例如：

從開(kāi)始（默認(rèn)值=0）生成一個(gè)數(shù)字序列，增量為 delta（默認(rèn)值=1），直到終值（但不包括終值）：

TensorFlow 允許創(chuàng)建具有不同分布的隨機(jī)張量：
使用以下語(yǔ)句創(chuàng)建一個(gè)具有一定均值（默認(rèn)值=0.0）和標(biāo)準(zhǔn)差（默認(rèn)值=1.0）、形狀為 [M，N] 的正態(tài)分布隨機(jī)數(shù)組：

創(chuàng)建一個(gè)具有一定均值（默認(rèn)值=0.0）和標(biāo)準(zhǔn)差（默認(rèn)值=1.0）、形狀為 [M，N] 的截尾正態(tài)分布隨機(jī)數(shù)組：

要在種子的 [minval（default=0），maxval] 范圍內(nèi)創(chuàng)建形狀為 [M，N] 的給定伽馬分布隨機(jī)數(shù)組，請(qǐng)執(zhí)行如下語(yǔ)句：

要將給定的張量隨機(jī)裁剪為指定的大小，使用以下語(yǔ)句

這里，t_random 是一個(gè)已經(jīng)定義好的張量。這將導(dǎo)致隨機(jī)從張量 t_random 中裁剪出一個(gè)大小為 [2，5] 的張量。
很多時(shí)候需要以隨機(jī)的順序來(lái)呈現(xiàn)訓(xùn)練樣本，可以使用 tf.random_shuffle() 來(lái)沿著它的第一維隨機(jī)排列張量。如果 t_random 是想要重新排序的張量，使用下面的代碼：

隨機(jī)生成的張量受初始種子值的影響。要在多次運(yùn)行或會(huì)話中獲得相同的隨機(jī)數(shù)，應(yīng)該將種子設(shè)置為一個(gè)常數(shù)值。當(dāng)使用大量的隨機(jī)張量時(shí)，可以使用 tf.set_random_seed() 來(lái)為所有隨機(jī)產(chǎn)生的張量設(shè)置種子。以下命令將所有會(huì)話的隨機(jī)張量的種子設(shè)置為 54：

TIP：種子只能有整數(shù)值。

變量

它們通過(guò)使用變量類來(lái)創(chuàng)建。變量的定義還包括應(yīng)該初始化的常量/隨機(jī)值。下面的代碼中創(chuàng)建了兩個(gè)不同的張量變量 t_a 和 t_b。兩者將被初始化為形狀為 [50，50] 的隨機(jī)均勻分布，最小值=0，最大值=10：

注意：變量通常在神經(jīng)網(wǎng)絡(luò)中表示權(quán)重和偏置。
下面的代碼中定義了兩個(gè)變量的權(quán)重和偏置。權(quán)重變量使用正態(tài)分布隨機(jī)初始化，均值為 0，標(biāo)準(zhǔn)差為 2，權(quán)重大小為 100×100。偏置由 100 個(gè)元素組成，每個(gè)元素初始化為 0。在這里也使用了可選參數(shù)名以給計(jì)算圖中定義的變量命名：

在前面的例子中，都是利用一些常量來(lái)初始化變量，也可以指定一個(gè)變量來(lái)初始化另一個(gè)變量。下面的語(yǔ)句將利用前面定義的權(quán)重來(lái)初始化 weight2：

變量的定義將指定變量如何被初始化，但是必須顯式初始化所有的聲明變量。在計(jì)算圖的定義中通過(guò)聲明初始化操作對(duì)象來(lái)實(shí)現(xiàn)：

每個(gè)變量也可以在運(yùn)行圖中單獨(dú)使用 tf.Variable.initializer 來(lái)初始化：

保存變量：使用 Saver 類來(lái)保存變量，定義一個(gè) Saver 操作對(duì)象：
saver = tf.train.Saver()

占位符

介紹完常量和變量之后，我們來(lái)講解最重要的元素——占位符，它們用于將數(shù)據(jù)提供給計(jì)算圖。可以使用以下方法定義一個(gè)占位符：

dtype 定占位符的數(shù)據(jù)類型，并且必須在聲明占位符時(shí)指定。在這里，為 x 定義一個(gè)占位符并計(jì)算 y=2*x，使用 feed_dict 輸入一個(gè)隨機(jī)的 4×5 矩陣：

解讀分析

需要注意的是，所有常量、變量和占位符將在代碼的計(jì)算圖部分中定義。如果在定義部分使用 print 語(yǔ)句，只會(huì)得到有關(guān)張量類型的信息，而不是它的值。
為了得到相關(guān)的值，需要?jiǎng)?chuàng)建會(huì)話圖并對(duì)需要提取的張量顯式使用運(yùn)行命令，如下所示：

print(sess.run(t_1))

參考：http://c.biancheng.net/view/1885.html

總結(jié)

以上是生活随笔為你收集整理的tensorflow 张量的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。