张量的生成

1.基本概念

TensorFlow 中的 Tensor 表示张量，是多维数组、多维列表，用阶表示张量的维数。

• 0 阶张量叫做标量，表示的是一个单独的数，如 123；
• 1 阶张量叫作向量，表示的是一个一维数组，如[1,2,3]；
• 2 阶张量叫作矩阵，表示的是一个二维数组，它可以有 i 行 j 列个元素，每个元素用它的行号和列号共同索引到，如在[[1,2,3],[4,5,6],[7,8,9]]中，2 的索引即为第 0 行第 1 列。

张量的阶数与方括号的数量相同，0 个方括号即为 0 阶张量，1 个方括号即为 1 阶张量。故张量可以表示0阶到 n 阶的数组。也可通过 reshape 的方式得到更高维度数组，举例如下：

TensorFlow 中数据类型包括 32 位整型(tf.int32)、32 位浮点(tf.float32)、64 位浮点(tf.float64)、布尔型(tf.bool)、字符串型(tf.string)

 

2.创建一个张量（Tensor）

 

 

 (3)可采用不同函数创建不同值的张量。

如用

• tf. zeros(维度)创建全为 0 的张量，

• tf.ones(维度)创建全为 1 的张量，

• tf. fill(维度，指定值)创建全为指定值的张量。

其中维度参数部分，

如

一维则直接写个数，

二维用[行，列]表示，

多维用[n,m,j..]表示。

举例如下：

 

(4)可采用不同函数创建符合不同分布的张量。

如

• 用 tf. random.normal (维度，mean=均值，stddev=标准差)生成正态分布的随机数，默认均值为 0，标准差为 1；

• 用 tf. random.truncated_normal (维度，mean=均值，stddev=标准差)生成截断式正态分布的随机数，能使生成的这些随机数更集中一些，如果随机生成数据的取值在 (µ - 2σ，u + 2σ ) 之外则重新进行生成，保证了生成值在均值附近；µ表示均值，σ表示标准差

• 利用 tf.random. uniform(维度，minval=最小值，maxval=最大值)，生成指定维度的均匀分布随机数，用 minval 给定随机数的最小值，用 maxval 给定随机数的最大值，最小、最大值是前闭后开区间。

举例如下：

d = tf.random.normal ([2, 2], mean=0.5, stddev=1)
print(d)
e = tf.random.truncated_normal ([2, 2], mean=0.5, stddev=1)
print(e)
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print(f)