最近在看韩剧《LIVE》，韩剧有一个致命的问题，为了传达某一主题，它总是那么浪漫，浪漫地让人忘记了生活中的一地鸡毛和一摊狗血。希望以后能够找一个自己愿意为之奋斗终身的职业而不是某种赖以生存的手段，这个职业能够让我找到人生的价值和人生的使命感。
“我需要某种使命感，亦或是某种信仰”——2020
1.通过numpy和List数据类型转换为Tensor
//numpy转换为Tensor
In [19]: tf.convert_to_tensor(np.ones([2, 3]))
Out[19]: <tf.Tensor: id=14, shape=(2, 3), dtype=float64, numpy=
array([[1., 1., 1.],
[1., 1., 1.]])>
In [20]: tf.convert_to_tensor(np.zeros([2, 3]))
Out[20]: <tf.Tensor: id=15, shape=(2, 3), dtype=float64, numpy=
array([[0., 0., 0.],
[0., 0., 0.]])>
//List转换为Tensor
In [21]: tf.convert_to_tensor([1, 2])
Out[21]: <tf.Tensor: id=16, shape=(2,), dtype=int32, numpy=array([1, 2])>
//数据类型强制转换为浮点型
In [22]: tf.convert_to_tensor([1, 2.])
Out[22]: <tf.Tensor: id=17, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>
In [23]: tf.convert_to_tensor([[1], [2.]])
Out[23]: <tf.Tensor: id=18, shape=(2, 1), dtype=float32, numpy=
array([[1.],
[2.]], dtype=float32)>
2.tf.zeros()和tf.ones()
//生成全为零的Tensor
tf.zeros(
shape,
dtype=tf.dtypes.float32,
name=None
)
//生成全为1的Tensor
tf.ones(
shape,
dtype=tf.dtypes.float32,
name=None
)
ipython中tf.zeros()的练习
In [26]: tf.zeros([])
Out[26]: <tf.Tensor: id=19, shape=(), dtype=float32, numpy=0.0>
In [27]: tf.zeros([1])
Out[27]: <tf.Tensor: id=22, shape=(1,), dtype=float32, numpy=array([0.], dtype=float32)>
In [28]: tf.zeros([2, 2])
Out[28]:
<tf.Tensor: id=25, shape=(2, 2), dtype=float32, numpy=
array([[0., 0.],
[0., 0.]], dtype=float32)>
In [29]: tf.zeros([2, 3, 3])
Out[29]:
<tf.Tensor: id=28, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]], dtype=float32)>
ipython中tf.ones()的练习
In [35]: tf.ones([])
Out[35]: <tf.Tensor: id=42, shape=(), dtype=float32, numpy=1.0> #标量
In [39]: tf.ones([0])
Out[39]: <tf.Tensor: id=54, shape=(0,), dtype=float32, numpy=array([], dtype=float32)> #空
In [34]: tf.ones([1])
Out[34]: <tf.Tensor: id=41, shape=(1,), dtype=float32, numpy=array([1.], dtype=float32)>
In [38]: tf.ones([2])
Out[38]: <tf.Tensor: id=51, shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>
In [41]: tf.ones([2, 3])
Out[41]: <tf.Tensor: id=57, shape=(2, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>
3.tf.zeros_like()和tf.ones_like()
常用于参数初始化
// tf.zeros_like(a)等同于tf.zeros(a.shape)
// 即创建一个形状和a相似的全为零的Tensor
// tf.ones_like(a)等同于tf.ones(a.shape)
// 即创建一个形状和a相似的全为1的Tensor
In [30]: a=tf.zeros([2,3,3])
In [31]: tf.zeros_like(a)
Out[31]: <tf.Tensor: id=32, shape=(2, 3, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]], dtype=float32)>
In [43]: tf.ones_like(a)
Out[43]: <tf.Tensor: id=63, shape=(2, 3, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]], dtype=float32)>
4.tf.fill()
tf.fill(
dims,
value,
name=None
)
ipython中的练习笔记
In [44]: tf.fill([2,3],5)
Out[44]: <tf.Tensor: id=66, shape=(2, 3), dtype=int32, numpy=
array([[5, 5, 5],
[5, 5, 5]])>
5.随机化初始化：tf.random包
- tf.random.normal():正态随机分布
tf.random.normal(
shape, //尺寸
mean=0.0, //均值
stddev=1.0, //方差
dtype=tf.dtypes.float32, //数据类型
seed=None,
name=None
)
- tf.random.truncated_normal():正态截断随机分布
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，如果生成的值与平均值之差绝对值大于2个标准偏差的值则丢弃重新选择。
即在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。
tf.random.truncated_normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
- tf.random.uniform():均匀分布
tf.random.uniform(
shape,
minval=0, //起始值
maxval=None, //终止值
dtype=tf.dtypes.float32, //数据类型
seed=None,
name=None
)
- tf.random.shuffle():随机打散
tf.random.shuffle(
value,
seed=None,
name=None
)
ipython中tf.ones()的练习
In [45]: idx = tf.range(10)
In [46]: idx = tf.random.shuffle(idx)
In [47]: idx
Out[47]: <tf.Tensor: id=71, shape=(10,), dtype=int32, numpy=array([1, 6, 4, 7, 9, 3, 5, 2, 8, 0])>
In [48]: a = tf.random.normal([10, 784])
In [49]: b = tf.random.uniform([10],maxval=10, dtype=tf.int32)
In [50]: a
Out[50]: <tf.Tensor: id=77, shape=(10, 784), dtype=float32, numpy=
array([[-0.09842622, -0.09330572, 0.3747942 , ..., 0.12874106,
0.5441303 , -0.00928718],
[-0.88250256, -0.8332032 , -1.2387674 , ..., -0.7861157 ,
-0.17430513, -0.01252976],
[ 0.16364974, 0.9982837 , -0.92416286, ..., -0.5699464 ,
-0.7448051 , 0.9708245 ],
...,
[-1.3529503 , 0.13369474, 0.15024382, ..., 0.83006376,
-0.80389315, -0.1496974 ],
[ 1.8251408 , -1.1838558 , 1.1211517 , ..., 1.4375882 ,
0.31284317, -1.3510509 ],
[ 2.702064 , -0.26362687, -1.5527179 , ..., 0.13134663,
1.4883399 , 1.5345211 ]], dtype=float32)>
In [51]: b
Out[51]: <tf.Tensor: id=81, shape=(10,), dtype=int32, numpy=array([6, 2, 0, 3, 9, 6, 3, 6, 7, 8])>
In [52]: a = tf.gather(a, idx)
In [53]: a
Out[53]: <tf.Tensor: id=83, shape=(10, 784), dtype=float32, numpy=
array([[-0.88250256, -0.8332032 , -1.2387674 , ..., -0.7861157 ,
-0.17430513, -0.01252976],
[-0.00973835, -0.49523634, -0.7052403 , ..., 0.30609828,
-0.03025832, 0.64454794],
[ 2.3122382 , -0.5850862 , -0.89548963, ..., 0.16975878,
-0.37662947, 0.14918844],
...,
[ 0.16364974, 0.9982837 , -0.92416286, ..., -0.5699464 ,
-0.7448051 , 0.9708245 ],
[ 1.8251408 , -1.1838558 , 1.1211517 , ..., 1.4375882 ,
0.31284317, -1.3510509 ],
[-0.09842622, -0.09330572, 0.3747942 , ..., 0.12874106,
0.5441303 , -0.00928718]], dtype=float32)>
In [54]: b = tf.gather(b, idx)
In [55]: b
Out[55]: <tf.Tensor: id=85, shape=(10,), dtype=int32, numpy=array([2, 3, 9, 6, 8, 3, 6, 0, 7, 6])>
6.tf.constant()
In [57]: tf.constant(1)
Out[57]: <tf.Tensor: id=86, shape=(), dtype=int32, numpy=1> //标量
In [58]: tf.constant([])
Out[58]: <tf.Tensor: id=87, shape=(0,), dtype=float32, numpy=array([], dtype=float32)> //空
In [59]: tf.constant([1])
Out[59]: <tf.Tensor: id=88, shape=(1,), dtype=int32, numpy=array([1])> //数组
In [64]: tf.constant([1, 2.])
Out[64]: <tf.Tensor: id=93, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>
网友评论