tf.ones、tf.zeros、tf.ones_like、tf.zeros_like、tf.fill、tf.eye、tf.one_hot、tf.range、tf.linspace函数
1、tf.ones函数
函数原型:
tf.ones(shape,dtype=tf.dtypes.float32,name=None
)
函数说明:
生成给定形状的全1的tensor张量
函数使用:
>>> a = tf.ones((2, 2))
>>> a
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[1., 1.],[1., 1.]], dtype=float32)>
2、tf.zeros函数
函数原型
tf.zeros(shape,dtype=tf.dtypes.float32,name=None
)
函数说明
生成全0的tensor张量
函数使用
>>> a = tf.zeros((2, 2))
>>> a
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],[0., 0.]], dtype=float32)>
3、tf.ones_like函数
函数原型
tf.ones_like(input, dtype=None, name=None
)
函数说明
根据给定的张量生成相同形状的全1的tensor张量
函数使用
>>> a = tf.constant([[1, 2], [3, 4]])
>>> b = tf.ones_like(a)
>>> b
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 1],[1, 1]])>
4、tf.zeros_like函数
函数原型
tf.zeros_like(input, dtype=None, name=None
)
函数说明
根据给定的张量生成相同形状的全0的tensor张量
函数使用
>>> a = tf.constant([[1, 2], [3, 4]])
>>> b = tf.zeros_like(a)
>>> b
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[0, 0],[0, 0]])>
5、tf.fill函数
函数原型
tf.fill(dims, value, name=None
)
函数说明
根据给定形状的生成全是值value的tensor张量
函数使用
>>> a = tf.fill((2, 2), 2)
>>> a
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[2, 2],[2, 2]])>
6、tf.eye函数
函数原型
tf.eye(num_rows,num_columns=None,batch_shape=None,dtype=tf.dtypes.float32,name=None
)
函数说明
生成一个单位张量或者根据给定batch_shape生成一批单位张量
函数使用
>>> a = tf.eye(3)
>>> a
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[1., 0., 0.],[0., 1., 0.],[0., 0., 1.]], dtype=float32)>
>>> a = tf.eye(2, 3)
>>> a
<tf.Tensor: shape=(2, 3), dtype=float32, numpy=
array([[1., 0., 0.],[0., 1., 0.]], dtype=float32)>
>>> a = tf.eye(2, batch_shape=[2])
>>> a
<tf.Tensor: shape=(2, 2, 2), dtype=float32, numpy=
array([[[1., 0.],[0., 1.]],[[1., 0.],[0., 1.]]], dtype=float32)>
>>> a = tf.eye(2, batch_shape=[2, 2])
>>> a
<tf.Tensor: shape=(2, 2, 2, 2), dtype=float32, numpy=
array([[[[1., 0.],[0., 1.]],[[1., 0.],[0., 1.]]],[[[1., 0.],[0., 1.]],[[1., 0.],[0., 1.]]]], dtype=float32)>
7、tf.one_hot函数
函数原型
tf.one_hot(indices,depth,on_value=None,off_value=None,axis=None,dtype=None,name=None
)
函数说明
产生一个用one_hot编码的张量,参数indices相当于一个表示类别的列表,参数depth相当于有多少类。还有两个参数on_value、off_value分别表示用于one_hot编码里面的0-1的值。aixs表示在哪个维度上编码,默认为None或者-1,在最后的一个维度编码。
函数使用
>>> a = tf.one_hot([0, 2, 3], 4)
>>> a
<tf.Tensor: shape=(3, 4), dtype=float32, numpy=
array([[1., 0., 0., 0.],[0., 0., 1., 0.],[0., 0., 0., 1.]], dtype=float32)>
>>> a = tf.one_hot([0, 2, 3], 4, on_value=2, off_value=1)
>>> a
<tf.Tensor: shape=(3, 4), dtype=int32, numpy=
array([[2, 1, 1, 1],[1, 1, 2, 1],[1, 1, 1, 2]])>
8、range函数
函数原型
tf.range(limit, delta=1, dtype=None, name='range')
tf.range(start, limit, delta=1, dtype=None, name='range')
函数说明
产生一定顺序的张量
函数使用
>>> a = tf.range(5)
>>> a
<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>
>>> b = tf.range(1, 6, 2)
>>> b
<tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 3, 5])>
9、linspace函数
函数原型
tf.linspace(start, stop, num, name=None, axis=0
)
函数说明
生成均匀间隔数量为num的张量
函数使用
>>>tf.linspace(10.0, 12.0, 3, name="linspace")
>>><tf.Tensor: shape=(3,), dtype=float32, numpy=array([10., 11., 12.], dtype=float32)>
>
>>> tf.linspace([0., 5.], [10., 40.], 5, axis=0)
<tf.Tensor: shape=(5, 2), dtype=float32, numpy=
array([[ 0. , 5. ],[ 2.5 , 13.75],[ 5. , 22.5 ],[ 7.5 , 31.25],[10. , 40. ]], dtype=float32)>
tf.ones、tf.zeros、tf.ones_like、tf.zeros_like、tf.fill、tf.eye、tf.one_hot、tf.range、tf.linspace函数相关推荐
- 单反相机tf卡用sd卡套稳定吗_解了摄影师的燃眉之急:入手雷克沙TF卡,一卡多用速度超快...
这对我来说,是一个非常常规的周末. 带着相机去外拍的时候,顺便从快递代收点取雷克沙667x 256GB的TF卡.之所以买这款雷克沙TF卡,实际上有两个用途:一个是放到新的行车记录仪里面,去测试和记录一 ...
- numpy的 ones_like和 zeros_like 函数
numpy的ones_like函数返回一个用1填充的跟输入数组 形状和类型 一样的数组. 同理,zeros_like返回一个用0填充的跟输入数组 形状和类型 一样的数组.
- [Python] zeros(r, c)和ones(r, c)和eye(n) 生成特殊矩阵
功能: 类型:numpy.ndarray zeros(r, c)生成指定维度r×c的0矩阵. ones(r, c)生成指定维度r×c的1矩阵. eye(n)生成指定维度n×n的单位矩阵. 示例: 生成 ...
- zeros()和ones()和eye()
python--zeros函数和ones函数 使用numpy.zeros,numpy.ones,numpy.eye等方法可以构造特定的矩阵 1 >>>from numpy impor ...
- TensorFlow进阶--实现学习率随迭代次数下降
我们直到学习率对于机器学习来说,大的学习率虽然往往能够使得损失函数快速下降,但是导致不收敛或者振荡现象的发生,而小的学习率虽然收敛,但是学习速率太慢,损失函数下降缓慢,需要等待长时间的训练,同时也会容 ...
- TensorFlow 1.x 深度学习秘籍:6~10
原文:TensorFlow 1.x Deep Learning Cookbook 协议:CC BY-NC-SA 4.0 译者:飞龙 本文来自[ApacheCN 深度学习 译文集],采用译后编辑(MTP ...
- python自训练神经网络_tensorflow学习笔记之简单的神经网络训练和测试
本文实例为大家分享了用简单的神经网络来训练和测试的具体代码,供大家参考,具体内容如下 刚开始学习tf时,我们从简单的地方开始.卷积神经网络(CNN)是由简单的神经网络(NN)发展而来的,因此,我们的第 ...
- 基于统计生成相似句(同义句),再用神经网络rnn语言模型判断句子的通顺性!
主要生成相似句 再用神经网络判定句子的通顺性 直接上代码 两部分工作: 第一部分基于统计生成相似语料: 借助网上的python的github上的synonyms(自行百度):https://githu ...
- Tensorlow 中文API:tf.zeros() tf.ones()tf.fill()tf.constant()
在程序中有一处不理解的地方 import basic.util.prints这个basic包找不到也搜不到,有知道的帮忙留言,谢谢 可以在下面使用print(data.eval())来输出结果 Ten ...
最新文章
- Python常用内置函数(二)
- linux下多进程编程简介
- 《Linux命令行与shell脚本编程大全 第3版》Shell脚本编程基础---20
- Python的regex模块——更强大的正则表达式引擎
- std::shared_ptr
- Android网络编程之一个Android下菜单系统模块的实现(客户端—添单功能(上部))
- 基于SSM校园一卡通管理系统
- 跟键盘在一起时间比女朋友还长? 程序员如何选好一块专属键盘?
- linux 进程堆管理,对Linux堆内存释放的总结
- 云基础设施自研,阿里云腾讯云华为云亮出啥高招?
- 注册一个微信公众号的测试平台
- 未来可期与君远航--2021年终总结
- Mysql索引、命令重点介绍
- 讯飞智能录音笔SR302为职场人带来办公新体验
- [王鼎杰] 法国为什么是五常之一
- 移动支付模式再添新军:指纹支付
- USB摄像头工具(角度旋转镜像)
- element-ui element-plus trap-focus - 分析
- pandas——数据移位、数据转换、数据合并、数据导出和日期数据的处理,时间序列等
- 大数据专题(一)- 简介
热门文章
- 【转载】三种证明欧拉恒等式的方法(3 methods of proving Euler's Formula )
- 越狱剧《青盲》观感之“自作孽不可活”
- SIGPIPE信号详解
- 生日祝福代码python_Python|送给朋友的生日祝福
- 假设检验之z-检验,t-检验,卡方检验
- session和model的区别
- gdoi2016爆零记
- 动态数组的使用之char *res=new char(strlen(src)+1)
- TOP10 区块链游戏关注榜
- Windows11无法使用PIN码进入系统