Tensorflow的常用矩陣生成方式
更新時間：2020年01月04日 14:27:21 作者：windows2
今天小編就為大家分享一篇Tensorflow的常用矩陣生成方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
我就廢話不多說了，直接上代碼吧！
#全0和全1矩陣 v1 = tf.Variable(tf.zeros([3,3,3]), name="v1") v2 = tf.Variable(tf.ones([10,5]), name="v2") #填充單值矩陣 v3 = tf.Variable(tf.fill([2,3], 9)) #常量矩陣 v4_1 = tf.constant([1, 2, 3, 4, 5, 6, 7]) v4_2 = tf.constant(-1.0, shape=[2, 3]) # 和v4_1形狀一樣的全1或全0矩陣 v5_1=tf.ones_like(v4_1) v5_2=tf.zeros_like(v4_1) #生成等差數列 v6_1 = tf.linspace(10.0, 12.0, 30, name="linspace")#float32 or float64 v7_1 = tf.range(10, 20, 3)#just int32 #生成各種隨機數據矩陣 #平均分布 v8_1 = tf.Variable(tf.random_uniform([2,4], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name="v8_1")) #正態(tài)分布 v8_2 = tf.Variable(tf.random_normal([2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_2")) #正態(tài)分布,但是去掉2sigma外的數字 v8_3 = tf.Variable(tf.truncated_normal([2,3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_3")) #把這3個行重排列 v8_5 = tf.random_shuffle([[1,2,3],[4,5,6],[6,6,6]], seed=134, name="v8_5")
以上都是計算圖中的變量,需要sess.run()以后才能成為真正的數據
存取方式是：
np.save("v1.npy",sess.run(v1))#numpy save v1 as file
test_a = np.load("v1.npy")
print test_a[1,2]
這篇Tensorflow的常用矩陣生成方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
下面小編就為大家?guī)硪黄狿ython按行讀取文件的簡單實現(xiàn)方法。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2016-06-06
Django restframework 源碼分析之認證詳解
這篇文章主要介紹了Django-restframework 源碼分析之認證詳解，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2019-02-02
這篇文章主要介紹了Python 函數注解與匿名函數的相關知識，本文通過實例代碼給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下2020-02-02
這篇文章主要介紹了OpenCV圖像處理中常用的幾個圖像幾何變換：裁剪、放大、縮小、平移、錯切、鏡像、旋轉、透視等。文中示例代碼非常詳細，需要的朋友可以參考一下2021-12-12
今天小編就為大家分享一篇python獲取引用對象的個數方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要介紹了Python設計模式之模板方法模式,結合實例形式較為詳細的分析了模板方法模式的概念、原理及Python定義、使用模板方法模式相關操作技巧,需要的朋友可以參考下2019-01-01
這篇文章主要介紹了python高階函數map（）和reduce（）實例解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-03-03
這篇文章主要介紹了Django中傳遞參數到URLconf的視圖函數中的方法,Django是最具人氣的Python開發(fā)框架,需要的朋友可以參考下2015-07-07
這篇文章主要為大家詳細介紹了如何利用Python實現(xiàn)刪除重復視頻文件功能，文中的示例代碼講解詳細，對我們學習Python有一定幫助，需要的可以參考一下2022-10-10
這篇文章主要介紹了python Pandas時序數據處理，文章圍繞主題展開詳細的內容介紹，具有一定的參考價值，需要的小伙伴可以參考一下2022-06-06