一、數(shù)據(jù)創(chuàng)建

1.tf.constant()

創(chuàng)建自定義類型，自定義形狀的數(shù)據(jù)，但不能創(chuàng)建類似于下面In [59]這樣的，無法解釋的數(shù)據(jù)。

2.tf.convert_to_tensor()

可以把numpy以及List類型的數(shù)據(jù)直接轉(zhuǎn)換為tensor

3.tf.zeros()

和常用的方式一樣，傳入包含中括號的shape即可。

tf.zeros_like和pytorch功能一樣，傳入有某個(gè)shape的數(shù)據(jù)，會生成和那個(gè)shape一樣的zeros數(shù)據(jù)。tf.ones, tf.ones_like和你想的一樣。

4.tf.fill()

生成指定形狀的，所有內(nèi)容都一樣的數(shù)據(jù)，前面shape，后面參數(shù)是填充的內(nèi)容。

二、數(shù)據(jù)隨機(jī)初始化

①tf.random.normal()

正態(tài)分布，傳入形狀，可指定均值方差。

②tf.random.truncated_normal()

裁剪過后的數(shù)據(jù)，裁去了前后分布太少的數(shù)據(jù)，只從中間數(shù)據(jù)多的地方取數(shù)據(jù)，同樣可以指定均值方差。

③tf.random.uniform()

均勻分布初始化，形狀，最小值，最大值

④tf.random.shuffle()

隨機(jī)打散，可以打散一個(gè)索引順序，通過tf.gather去對應(yīng)，這樣可以實(shí)現(xiàn)兩個(gè)同樣行數(shù)的數(shù)據(jù)，進(jìn)行索引一一對應(yīng)的隨機(jī)打散。

以上就是TensorFlow人工智能學(xué)習(xí)創(chuàng)建數(shù)據(jù)實(shí)現(xiàn)示例詳解的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow人工智能的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。