tensorflow2.0 常用API

一、创建变（常）量

 1，tf.constant()

import tensorflow as tf
tf.constant(
    value,    #表示一个值或一个列表
    dtype=None,    #数据类型  tf.int32, tf.int64,tf.float32, tf.float64
    shape=None,   #量的“形状”，即维数以及每一维的大小
    name='Const',   #任何内容
    verify_shape=False  #verify_shape默认为False
)

import tensorflow as tf
a = tf.constant([1, 5], dtype=tf.int64)
b= tf.constant(3, dtype=tf.int64)
print("a:", a)
print("a.dtype:", a.dtype)
print("a.shape:", a.shape)
print("*"*100)
print("b:", b)
print("b.dtype:", b.dtype)
print("b.shape:", b.shape)

a: tf.Tensor([1 5], shape=(2,), dtype=int64)
a.dtype: <dtype: 'int64'>
a.shape: (2,)
****************************************************************************************************
b: tf.Tensor(3, shape=(), dtype=int64)
b.dtype: <dtype: 'int64'>
b.shape: ()

2，常量

import tensorflow as tf
a = tf.zeros([2, 3])
b = tf.ones(4)
c = tf.fill([2, 2], 9),

3，tf.truncated_normal和tf.random_noraml的区别 

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

shape是张量维度，mean是正态分布是均值，stddev是正态分布的标准差；

它是从截断的正态分布中输出随机值，虽然同样是输出正态分布，但是它生成的值是在距离均值两个标准差范围之内的，也就是说，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。这样保证了生成的值都在均值附近。

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

参数设置和上一个函数是一样的；而tf.random_normal是没有要求一定在（μ-2σ，μ+2σ）之内的

　

import tensorflow as tf
d = tf.random.normal([2, 2], mean=0.5, stddev=1)
print("d:", d)
e = tf.random.truncated_normal([2, 2], mean=0.5, stddev=1)
print("e:", e)

 tf.random.uniform（）

import tensorflow as tf
#返回2*2的矩阵，产生于min和max之间，产生的值是均匀分布的。
f = tf.random.uniform([2, 2], minval=0, maxval=1)
print("f:", f)

变量转换 

import tensorflow as tf
import numpy as np

a = np.arange(0, 5)
a_=(1,2,3,4,5)
#数组转换为张量
b = tf.convert_to_tensor(a, dtype=tf.int64)#a_也可以
print("a:", a)
print("b:", b) 

a: [0 1 2 3 4]
b: tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int64)

tf.cast()函数的作用是张量数据类型的转换

cast(x, dtype, name=None)

第一个参数 x:   待转换的数据（张量）

第二个参数 dtype： 目标数据类型

第三个参数 name： 可选参数，定义操作的名称

x1 = tf.constant([1., 2., 3.], dtype=tf.float64)
print("x1:", x1)
x2 = tf.cast(x1, tf.int32)
print("x2", x2)
print("minimum of x2：", tf.reduce_min(x2))
print("maxmum of x2:", tf.reduce_max(x2))