一、tf.constant
tf.constant是用来定义一个常量，对constant函数的定义如下：
tf.constant（value,dtype=None,shape=None,name='Const',verify_shape=False)
value：必填 常量值，可以为数值、向量或矩阵。
dtype：非必填 指定数据类型，例如：tf.float32、tf.float64
shape：非必填 指定数据的维度
name：非必填 为常量命名，默认为Const
verify_shape：非必填 默认值为False，如果值为True时，在定义常量时会自动检测value和shape维度是否相同，不同则报错，例如value定义为1，而shape定义为一行两列的矩阵（1,2），那么肯定会报错。
指定value的值：
指定value的值：
#定义一个整数
a = tf.constant(1)
#定义一个向量
b = tf.constant([1,2])
#定义一个2行3列的矩阵
c = tf.constant([[1,2,3],[4,5,6]])
print(a)
print(b)
print(c)输出结果：
Tensor("Const:0", shape=(), dtype=int32)
Tensor("Const_1:0", shape=(2,), dtype=int32)
Tensor("Const_2:0", shape=(2, 3), dtype=int32)变量a的shape为空，0个维度，也即为一个数值；
变量b的shape是（2， ），只有一个维度，是一个长度为2的向量；
变量c的shape是（2，3），有两个维度，是一个2*3的矩阵。
当指定dtype参数时：
#定义一个整数
a = tf.constant(1,dtype=tf.float32)
#定义一个向量
b = tf.constant([1,2],dtype=tf.float32)
#定义一个2行3列的矩阵
c = tf.constant([[1,2,3],[4,5,6]],dtype=tf.float32)
print(a)
print(b)
print(c)输出结果为：
Tensor("Const:0", shape=(), dtype=float32)
Tensor("Const_1:0", shape=(2,), dtype=float32)
Tensor("Const_2:0", shape=(2, 3), dtype=float32)可见数值的类型都变为float32类型。
当指定shape参数时：
#定义一个整数
a = tf.constant(2.,shape=())
b = tf.constant(2.,shape=(3,))
c = tf.constant(2.,shape=(3,4))
with tf.Session() as sess:
print(a.eval())
print(b.eval())
print(c.eval())输出结果为：
2.0
[2. 2. 2.]
[[2. 2. 2. 2.]
[2. 2. 2. 2.]
[2. 2. 2. 2.]]此时constant会根据shape指定的维度使用value值来进行填充，例如参数a指定维度为0，也就是一个整数；参数b指定维度为1长度为3，也就是一个向量；参数b指定维度为2长度为3X4，也就是定义一个3X4的矩阵，全部都使用value值2.0来进行填充。
当指定name参数时：
#不指定name
a = tf.constant(2.)
#指定name
b = tf.constant(2.,name="b")
print(a)
print(b)输出结果：
Tensor("Const:0", shape=(), dtype=float32)
Tensor("b:0", shape=(), dtype=float32)常量的默认名称为Const，创建常量时定义一下name，要是字符串。
当指定verify_shape=True时：
a = tf.constant(2.,shape=(2,3),verify_shape=True)输出结果报错：
TypeError: Expected Tensor's shape: (2,3), got ().错误原因是value的值是2，为一个0维度的数值，指定的shape是一个2*3的维度，value的值喝shape的维度不同，不同的情况下会报错；去掉verify_shape参数时错误即消失，输出一个以2为填充的2*3的矩阵。
二、tf.Variable
tf.Variable方法用来定义一个变量，函数定义如下所示：
tf.Variable(
initial_value=None,
trainable=True,
collections=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
expected_shape=None,
import_scope=None,
constraint=None
)常用的是initial_value、name、dtype，用法和tf.constant类似。
三、tf.zeros
tf.zeros用来定义一个全部元素都为0的张量，例如一个全为0的矩阵或向量，函数的定义：
tf.zeros(
shape,
dtype=tf.float32,
name=None
)#长度为1的1维向量
a = tf.zeros([1])
#长度为2的1维向量
b = tf.zeros([2])
#2维矩阵，矩阵大小3X4
c = tf.zeros([3,4])
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(b))
print(sess.run(c))shape：数据的维度。
dtype：数据得类型。
name：命名。
输出结果：
[0.]
[0. 0.]
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]四、tf.ones
和tf.zeros功能相似，tf.ones用来定义一个全部元素都为1的张量，例如一个全为1的矩阵或向量，、函数的定义：
tf.ones(
shape,
dtype=tf.float32,
name=None
)测试代码：
#长度为1的1维向量
a = tf.ones([1],name="n1",dtype=tf.float32)
#长度为2的1维向量
b = tf.ones([2])
#2维矩阵，矩阵大小3X4
c = tf.ones([3,4])
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(b))
print(sess.run(c))
输出结果：
[1.]
[1. 1.]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]五、tf.random_uniform
tf.random_uniform用来生成一个被随机数填充的张量，可以是向量或矩阵，函数定义如下：
tf.random_uniform(
shape,
minval=0,
maxval=None,
dtype=tf.float32,
seed=None,
name=None
)参数说明：
shape：定义形状
minval：随机数最小值，默认是0
maxval：随机数最大值，默认是1
dtype：数据得类型，默认是float32类型
seed：随机数种子
name：定义返回值名称
#定义一个由最小值为0，最大值为0.5填充的向量
a = tf.random_uniform([3],0,0.5,name="a")
#定义一个由最小值为-1，最大值为1填充的4X3的矩阵
b = tf.random_uniform([4,3],-1,1,name="b")
#定义一个最小值为10，最大值为100的随机数
c = tf.random_uniform([],10,100,name="c")
#定义seed为1
d = tf.random_uniform([],10,100,seed=1)
e = tf.random_uniform([],10,100,seed=1)
#定义seed为2
f = tf.random_uniform([],10,100,seed=2)
with tf.Session() as sess:
print(sess.run(a))
print(sess.run(b))输出结果：
[0.37117624 0.28079355 0.12813371]
[[ 0.50496936 0.2632537 -0.30630517]
[ 0.16871548 0.7529404 -0.6158774 ]
[-0.9147036 0.35593843 -0.50358105]
[-0.4618771 -0.26037788 0.7437594 ]]
40.39641
31.513365
31.513365
71.08719从结果中我们会发现，值d和e在设置相同seed的情况下，随机数值的相同的，这就意味着，如果最小值、最大值以及种子定义完全相同的话，随机数值也是相同的。如果想在相同范围内得到不同的随机数值，请修改seed。
六、tf.add
tf.add方法计算两个张量之和，先看函数格式：
tf.add(
x,
y,
name=None
)
x：张量1
y：张量2
name：计算结果命名
注：输入的x，y两个张量的类型必须一致
#数值加法
a = tf.constant(3)
b = tf.constant(4)
c = tf.add(a,b)
#向量加法
a1 = tf.constant([1,2])
b1 = tf.constant([3,4])
c1 = tf.add(a1,b1)
#矩阵加法
a2 = tf.constant([[1,1],[2,2]])
b2 = tf.constant([[3,3],[4,4]])
c2 = tf.add(a2,b2)输出结果：
数值加法
7
向量加法
[4 6]
矩阵加法
[[4 4]
[6 6]]七、tf.subtract
tf.subtract方法计算两个张量之差，与tf.add结构相同。同样需要注意的是，传入的两个张量的类型必须保持一致。
tf.subtract(
x,
y,
name=None
)八、tf.matmul和tf.multiply
tf.matmul是矩阵乘法，tf.multiply是元素乘法。
#定义一个被数值2填充的2X3矩阵
a = tf.constant(2,shape=(2,3),name="a") #定义一个被数值3填充的2X3矩阵
b = tf.constant(3,shape=(2,3),name="b") #定义一个被数
c = tf.constant(5,name="c") #multiply
d = tf.multiply(a,b) #multiply
e = tf.multiply(a,c)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print('a的值')
print(sess.run(a))
print('b的值')
print(sess.run(b))
print('c的值')
print(sess.run(c))
print('matmul(a,b)')
print(sess.run(d))
print('matmul(a,c)')
print(sess.run(e))输出结果：
a的值
[[2 2 2]
[2 2 2]]
b的值
[[3 3 3]
[3 3 3]]
c的值
5 matmul(a,b) [[6 6 6] [6 6 6]] matmul(a,c) [[10 10 10] [10 10 10]]multiply的两个输入的张量类型可以不一致，matmul的两个输入的张量类型要保持一致
九、tf.divide
浮点数除法，两个输入的张量类型可以不一致，函数定义如下：
tf.divide(
x,
y,
name=None
)十、tf.mod
两个张量相除并取余，函数定义如下：
tf.mod(
x,
y,
name=None
)十一、tf.placeholder
在运算过程中动态的修改传入的值考虑使用placeholder，也就是占位符。函数定义如下：
tf.placeholder(
dtype,
shape=None,
name=None
)实现代码:
import tensorflow as tf
import numpy as np
#定义一个数值
a = tf.constant(2.,name="a")
#定义一个数值类型的placeholder
b = tf.placeholder(tf.float32,[],name="b")
#定义一个矩阵类型的placeholder
c = tf.placeholder(tf.float32,[2,3],name="c")
#d为a*b
d = tf.multiply(a,b)
#e为a*c
e = tf.multiply(a,c)
#一个随机数组
rand_value = np.random.rand(2,3)
init = tf.global_variables_initializer()输出结果：
从0循环到9，分别乘2
0.0
2.0
4.0
6.0
8.0
10.0
12.0
14.0
16.0
18.0
传入随机生成的一个数组
[[0.7041698 1.0414026 1.973911 ]
[1.952334 0.46541974 1.1905501 ]]d的值等于a乘b，a的值为2.0，b为一个占位符，在运算过程中，通过feed_dict动态的修改了b的值，得到了不同的计算结果。
e的值等于a乘c，a的值为2.0，c为一个2X3的矩阵占位符，运算过程中，使用feed_dict动态的把随机矩阵rand_value喂到了运算中，计算得到了不同的结果。
转载于:https://www.cnblogs.com/codeit/p/11184422.html
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
