[TensorFlow] demo1 创建100个float32的随机数x_data

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 859平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄12年

关注

原创最新推荐文章于 2026-08-28 14:20:40 发布 859 阅读 AI 写同款· GEO 优化 ›

Arduino GIGA R1 WiFi：双核STM32H7与8MB内存的创客工作站实战在嵌入式开发与物联网领域，微控制器（MCU）是连接物理世界与数字世界的核心。其工作原理是通过集成的处理器、内存和丰富外设，执行特定程序来控制传感器、执行器并实现通信。随着物联网和边缘计算的发展，对MCU的性能要求日益提高，不仅需要处理实时控制任务，还需应对机器学习、高速数据采集和复杂网络连接等场景，这推动了高性能、多核MCU架构的普及。这类技术的核心价值在于为创客、开发者和工程师提供了一个高度集成、易于上手的平台，以加速从原型到产品的开发流程，广泛应用于智能硬件、工业网关、交互装置和机器人等领域。本文聚焦的阅读详情

import numpy as np
x_data = np.random.rand(100).astype(np.float32)
print(x_data)

运行效果如下：

收录于

Python

当前文章被收录于：

Python

22 篇文章 0 人学习

订阅专栏查看详情

TensorFlow

当前文章被收录于：

TensorFlow

14 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

STM32边缘AI部署实战：工具链、量化与优化全解析边缘计算正在把AI推理从云端下沉到MCU，让设备在数据源头就能完成本地判断。STM32作为Cortex-M内核的主流MCU，通过STM32Cube.AI、TFLite Micro等工具链，可将轻量化CNN模型转化为高效的C代码，实现毫秒级推理。其技术价值在于低延迟、低带宽、高隐私，广泛适用于电机振动监测、唤醒词识别、工业视觉检测等场景。实际部署中，开发者常借助STM32CubeMX完成外设初始化，用VS Code与HAL库搭建工程，结合ADC多通道DMA采集、串口空闲中断接收不定长数据等经典技术构建数据通路阅读详情

相关推荐

基于随机数指纹的AI模型完整性校验：原理与PyTorch实践

模型完整性校验是AI系统安全部署的基础保障技术，其核心原理是通过特定算法验证模型文件在传输和运行过程中未被篡改。传统哈希校验方法在处理大模型时存在性能瓶颈，而随机数指纹技术通过向模型注入可复现的指纹数据，实现了轻量级快速验证。这种技术价值在于平衡安全性与性能，特别适合金融、医疗等高危场景的模型部署需求。随机数指纹基于预设种子生成，任何模型结构的修改都会破坏指纹一致性，从而快速识别调包风险。在实际应用中，该方案可与CI/CD流水线集成，实现自动化模型验证。本文聚焦的随机数指纹校验方案，结合PyTorch框架实

weixin_30911451的博客 357

numpy使用random生成一个float（Double）类随机矩阵

numpy使用random生成一个float（Double）类随机矩阵一、np.random.rand(a1,a2,a3,… )生成一个a1Xa2Xa3的矩阵，元素的值为0~1。 import numpy as np input = np.random.rand(2,3,4)*10 #乘以10，把元素的值变为0~10,同理可以变为任意范围 input = input.astype(np.float32) #使用astype()可以变为指定类型的数据，doubel就是float32 input = tor

weixin_44587732的博客 5830

轻量级AI模型在边缘设备部署实战：从Gemini Flash到Nano Banana 2 Lite

边缘AI部署是当前物联网和嵌入式开发的热门方向，其核心原理是将AI模型从云端迁移到资源受限的本地设备上运行，从而降低延迟、保护隐私并减少网络依赖。这一技术通过模型压缩、量化和硬件加速等手段，在保持一定精度的前提下大幅提升推理速度，为实时交互应用创造了可能。在工程实践中，开发者常面临模型选择、环境适配和性能调优等挑战。本文以**Gemini 3.7 Flash轻量级模型**与**Nano Banana 2 Lite开发板**为例，详细解析如何在低成本硬件上搭建完整的AI推理环境，涵盖从环境配置、模型获取到代码

weixin_34393428的博客 377

python之常见random用法小结

总结了python中numpy 与 torch 包中的一些使用random去生成随机数的代码。

weixin_51963007的博客 5170

深度学习实操导航：从环境配置到模型部署的极简闭环

深度学习不是抽象理论，而是数据加载、模型训练、推理部署的一系列可执行动作。理解其核心原理需聚焦张量流动、梯度更新与设备协同等底层机制；技术价值在于以最小可行路径快速验证业务假设，规避环境依赖、shape不匹配、OOM等90%初学者真实卡点；典型应用场景包括图像分类demo开发、移动端OCR验证、医学影像快速建模等资源受限场景。本文提供PyTorch/TensorFlow双框架下的标准化预处理、迁移学习外科手术式微调、带早停的训练循环及Flask轻量API封装——所有内容均源于GTX 1060级硬件实测，强调

张沈鹏,在路上 ... 643

PyTorch核心机制深度解析：从Tensor到Autograd的运行时追踪原理

深度学习框架的本质是自动微分与计算图抽象的工程实现。PyTorch以‘运行时追踪’替代传统符号微分，将Python执行流直接映射为动态计算图，显著降低开发者认知负荷。其Tensor设计承载梯度状态，nn.Module构建参数注册体系，autograd引擎通过拓扑排序与梯度累加实现反向传播——这些机制共同支撑了研究即生产的AI开发范式。在大模型微调、分布式训练及编译优化（torch.compile）等现代场景中，理解底层原理比熟记API更能规避显存泄漏、梯度异常、DDP同步失败等高频问题。本文聚焦PyTorc

xiang_fu的博客 430

jupyter课堂笔记3

jupyter数据转换、生成随机数、创建数据类型

2301_77010732的博客 929

opencv4学习（57-67）

目录57.相机模型与投影58.单目相机标定59.图像校正60.单目位姿估计61.差值法检测移动物体62.稠密光流法跟踪移动物体63.稀疏光流法跟中移动物体64.监督学习聚类65.K均值聚类66.加载深度神经网络模型67.深度神经网络模型的使用

雪的季节 272

tensorflow学习之模拟一次函数

写个最入门级的操作，tensorflow关于模拟一次函数，测试使用tensorflow和numpy的库1.首先引入两个库- import tensorflow as tf import numpy as np2. 然后创建数据 x_data 作为随机生成的100个数据作为np.float32类型然后定义正确的y_data值计算出来#create data x_data=np.ran...

d1242218781的博客 1003

LMX2595实战：手把手教你配置JESD204B时钟与SYSREF（含相位同步避坑指南）

本文详细介绍了LMX2595在JESD204B时钟系统中的配置与优化方法，包括时钟系统架构设计、相位同步配置、SYSREF生成技巧以及PCB布局规范。通过实战案例和避坑指南，帮助工程师充分发挥LMX2595的超低相位噪声和抖动性能，确保高速数据转换器系统的稳定性和同步精度。

weixin_29206669的博客 478

汽车OBD接口实战：如何用STM32读取CAN总线数据（附完整代码）

本文详细介绍了如何利用STM32微控制器通过汽车OBD接口读取CAN总线数据的完整实战方案。内容涵盖硬件连接（如OBD引脚定义与TJA1050收发器接线）、STM32的CAN外设初始化与滤波器配置，并深入解析OBD-II诊断协议，演示了如何请求和解析发动机转速、车速等关键数据。文末提供了构建稳定数据读取系统的代码框架与错误处理建议，为嵌入式开发者和汽车电子爱好者提供了从零到一的实践指南。

9q8w7e6r5的博客 297

从入门到精通----了解tensorflow的运行过程（不惜勿喷，如有错误，望指出，本人菜鸟）

import tensorflow as tf import numpy as np #生成100个随机数列，类型为float32 x_data=np.random.rand(100).astype(np.float32) y_data=x_data*0.1+0.3 #####create tensorflow structure start############## #之所以要大写是因为有可...

weixin_42403127的博客 232

企业级AI Agent平台建设方案

本报告将深入剖析构成一个顶级AI Agent平台的各个功能层面，为构建者提供一份全面的战略蓝图。

分享AI和大数据领域的知识和研究 1582

[TensorFlow] demo1 创建100个float32的随机数y_data

import numpy as np x_data = np.random.rand(100).astype(np.float32) y_data = x_data*0.1 + 0.3 print(x_data) print(y_data)

poeticHadoop的博客 2654

2026年职业院校技能大赛中职移动应用与开发模块二10套题库开发培训视频（全套）

我是网络安全兼技能大赛工程师，专注网络安全技术学习与技能大赛实战！持续分享最新的技术文章，帮你少走弯路，一起在技术赛道上进步～ 352

Windows11搭建GPU版本PyTorch 开发环境教程

Windows11搭建GPU版本PyTorch环境详细过程

世界那么大，我想去看看～【随心更新，看世界去了😄】 3236

CuPy：零成本加速NumPy代码，GPU并行计算实战指南

在科学计算和深度学习领域，大规模数据处理常面临性能瓶颈。传统CPU计算受限于单线程架构，难以应对超大规模矩阵运算和元素级并行计算需求。GPU凭借其数千个轻量级核心，专为大规模并行计算设计，理论上能实现数量级的加速。然而，直接使用CUDA C++编程门槛高、开发效率低。CuPy作为NumPy的GPU版本，通过提供高度兼容的API，让开发者用几乎相同的代码在NVIDIA GPU上获得巨大性能提升。它封装了底层复杂性，自动管理GPU内存，并实现了数百个经过GPU优化的常用函数。在深度学习数据预处理、物理模拟等场景

aobu0171的博客 537

深入剖析Zynq AMP模式下CPU1中断响应机制：从原理到创新实践

在异构计算领域，Zynq-7000系列SoC的AMP（Asymmetric Multiprocessing）模式堪称多核编程的瑞士军刀。独立运行环境：CPU0运行Linux，CPU1运行FreeRTOS或裸机程序硬件资源独占：CPU0管理DDR，CPU1使用OCM（片上内存）中断隔离：默认所有中断路由到CPU0这种架构非常适合需要实时响应的工业控制系统——比如用CPU0处理网络通信，CPU1负责电机控制。AMP模式下中断路由的底层原理多维度性能优化技巧工业级可靠性的实现方案。

QQ_778132974的博客 491

深度学习入门必学：Python核心语法与工程实践速通指南

在人工智能与机器学习领域，Python 凭借其简洁语法和强大的科学计算生态，成为深度学习开发的首选语言。无论是数据预处理、张量运算，还是模型训练与部署，Python 都扮演着核心角色。理解 Python 的基本数据类型、流程控制、函数与类机制，是掌握 PyTorch、TensorFlow 等框架的基石。NumPy 作为数值计算库，为图像数据转换、批次构建提供了高效的多维数组操作能力。实际工程中，从环境搭建、图像归一化到训练循环的编写，处处体现着 Python 与深度学习框架的紧密结合。本文聚焦深度学习项目中

weixin_30516429的博客 246

Python 爬虫实战：爬取股票数据做 K 线图可视化

摘要：本文介绍基于Python的股票数据爬取与K线图可视化全流程技术方案。通过Requests库抓取东方财富网股票数据，使用Pandas进行清洗处理，并利用mplfinance库实现专业K线图绘制。文章详细讲解了数据爬取接口分析、反爬策略配置、K线图绘制方法（包含基础K线图和带均线的进阶版本），以及核心统计指标计算。该方案可应用于股票价格趋势分析，为投资决策提供数据支持，同时强调了数据使用的合规性和技术优化方向。

2503_91057718的博客 2046

lammps蒙特卡洛MC模拟案例

在lammps中，和MC相关的模拟命令有三个：fix gcmc、fix atom/swap、fix sgcmc。在一个lammps模拟中，mc和md可同时存在，间隔运行，所以设置fix sgcmc命令的同时，可以同时设置系综（nve、nvt或者npt）。lammps官网自带案例中也有一个fix sgcmc的案例，主要模拟FeCu合金的MC建模。sgcmc命令可应用到合金的模拟中，如短程有序模拟。MC运行间隔为100步，最终的浓度比例为0.02，也就是2%的Fe原子交换为Cu原子。大家好，我是小马老师。

lammps_jiayou的博客 1825

05阶段：NLP自然语言处理基础（1）

one-hot编码的优劣势：劣势：完全割裂了词与词之间的联系，而且在大语料集下，每个向量的长度过大，占据大量内存.正因为one-hot编码明显的劣势，这种编码方式被应用的地方越来越少，取而代之的是接下来我们要学习的稠密向量的表示方法word2vec和word embedding.word2vec介绍 1- 是将文本变成词向量张量的一种方法，是一种无监督(自监督)的训练方法，本质是训练一个模型，将模型的参数矩阵当作所有词汇的词向量表示。基于one-hot的形式进行优化改造 2-

专注前端开发领域，深耕 Python AI Agent应用开发，热爱探索 Web 与人工智能的前沿技术。 338

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

AI算力集群掉电保护与断点续训：从电力预测到Checkpoint的工程实践

随着AI算力基础设施规模不断扩大，模型训练任务对电力稳定性的依赖愈发突出。GPU集群训练过程中，一次毫秒级的电压暂降或瞬时断电，可能导致模型参数、优化器状态与分布式通信进度同时丢失，造成数万元甚至更高算力成本损失。为降低这类风险，工程上通常从电力感知、负载预测和训练恢复三个层面构建防御体系：通过UPS与电压监测技术实时捕获异常信号，利用LSTM等时序模型预测电力波动趋势，并结合深度学习框架的Checkpoint与断点续训机制实现快速恢复。其中，Checkpoint作为最后一道兜底防线，需妥善设计保存策略、原

weixin_34284188的博客 359

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

复分析阿尔福斯(Ahlfors) 第三版答案英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

Python大模型基础

使用async def关键字定义的函数就是协程函数，它返回一个协程对象这是一个协程函数# await 关键字只能在协程函数内部使用await asyncio.sleep(1) # 模拟I/O操作调用 hello() 不会立即执行，只会返回一个协程对象print(type(coro_obj)) # 输出: <class 'coroutine'>一个纯文本文件（无后缀名），包含一系列简单的指令，用于告诉Docker“如何构建自定义镜像”# 生成基类，所有模型需继承该类。

qq_51466574的博客 248

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

PyTorch入门教程：从环境搭建到CNN手写数字识别实战

深度学习作为人工智能的热门方向，其核心在于构建和训练神经网络模型。要高效完成这一过程，选择合适的框架至关重要。PyTorch凭借动态计算图、简洁的API和强大的生态，成为学术界与工业界的主流选择。本文从机器学习基础概念出发，介绍了张量、自动求导等核心原理，并通过一个完整的卷积神经网络（CNN）手写数字识别项目，演示了数据加载、模型构建、训练与评估的完整流程。同时整理了环境配置、常见报错排查与工程实践建议，帮助初学者快速上手。无论你是学生、转行者，还是工作中需要应用AI的开发者，掌握PyTorch都是开启深度

weixin_29065659的博客 233

Netflix推荐系统拆解：行为建模+三层流水线实战

推荐系统本质是基于用户行为数据构建兴趣表征的技术体系，其核心原理在于将隐式反馈转化为可计算的特征向量，并通过协同过滤、内容相似与实时行为等多路召回实现精准匹配。技术价值体现在高可用、可解释、易调试的工业级落地能力，广泛应用于视频平台、电商导购、在线教育等需要个性化分发的场景。本文以Netflix推荐逻辑为蓝本，聚焦行为建模、时间衰减特征计算和三层解耦架构，提供从MovieLens数据清洗到Redis实时服务的完整Python实现路径，特别强调隐式反馈挖掘与Item-CF工程优化两大关键实践。

weixin_30387799的博客 360

上一篇： [TensorFlow] python3-tk 库的安装作为tensorflow的可视化库

下一篇： [TensorFlow] demo1 创建100个float32的随机数y_data

基于随机数指纹的AI模型完整性校验：原理与PyTorch实践

weixin_30911451的博客

07-21

357