TensorFlow人工智能學(xué)習(xí)創(chuàng)建數(shù)據(jù)的示例分析

這篇文章將為大家詳細(xì)講解有關(guān)TensorFlow人工智能學(xué)習(xí)創(chuàng)建數(shù)據(jù)的示例分析，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

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(hào)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(huì)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(duì)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(duì)應(yīng)的隨機(jī)打散。

關(guān)于“TensorFlow人工智能學(xué)習(xí)創(chuàng)建數(shù)據(jù)的示例分析”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。