TensorFlow常见变量初始化

最新推荐文章于 2025-06-02 09:05:43 发布

原创最新推荐文章于 2025-06-02 09:05:43 发布 · 1.1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow基础 #变量初始化

TensorFlow基础知识专栏收录该内容

4 篇文章

订阅专栏

本文详细介绍了使用TensorFlow进行张量初始化的方法，包括创建全零、全一、正态分布和截断正态分布的张量，以及如何从均匀分布中生成随机值，适合初学者快速上手。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

（1）X = tf.zeros(shape = [3,2], dtype=tf.float32, name=None)
#初始化值为全0 (上述语句得到X为)：
[ [0. 0.]
[0. 0.]
[0. 0.] ]

（2）Y = tf.ones(shape = [2,3], dtype=tf.int32, name=None)
#初始化值为全1 （上述语句得到Y为）:
[ [1 1 1]
[1 1 1] ]

（3）Z = tf.random_normal( shape=[2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
#用于从服从指定正态分布的数值中，取出指定个数的值

shape: 输出张量的形状
mean: 正态分布的均值，默认为0
stddev: 正态分布的标准差，默认为1.0
dtype: 输出的类型，默认为tf.float32

import tensorflow as tf
 
Z = tf.Variable(tf.random_normal([3,2], stddev=1.0, seed=None,dtype=tf.float32))
init=tf.global_variables_initializer()
    
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(w1))

（4）X = tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

#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，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

import tensorflow as tf
 
X = tf.Variable(tf.truncated_normal([3,2], stddev=1.0, seed=None,dtype=tf.float32,mean=0))
init=tf.global_variables_initializer()
    
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(X))

输出：

[[ 0.05568237  1.9690834 ]
 [-1.1363918  -1.9200847 ]
 [-1.0301907   0.9599708 ]]

（5）tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)

#从均匀分布中输出随机值.

生成的值在该 [minval, maxval) 范围内遵循均匀分布.下限 minval 包含在范围内,而上限 maxval 被排除在外.

其中参数：

minval: 生成的随机值范围的下限；默认为0.
maxval: 生成的随机值范围的上限.如果 dtype 是浮点,则默认为1