AI學習之路（11） 建立隨機張量1

由於在測試的過程中，經常要產生一些不同分布的隨機數，比如初始化待定的變數。又或者一些訓練資料。因此來學習一些隨機數的產生。

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

從正態分佈建立隨機張量。

引數:shape: 一維整數張量或者

python

陣列mean: 常數，表示正態分佈的係數。

stddev: 常數，表示正態分佈絕對偏差。

dtype: 輸出張量的型別。

seed: python整數，用來產生隨機的種子。

name: 張量的名稱。

返回值:

使用隨機資料填充指定行列的張量。

例子：

#python 3.5.3  蔡軍生  

#  #import tensorflow as tf
import matplotlib as mpl
import matplotlib.pyplot as plt
#繪製直方圖
def drawhist(heights):
#建立直方圖
#第乙個引數為待繪製的定量資料，不同於定性資料，這裡並沒有事先進行頻數統計
#第二個引數為劃分的區間個數
plt.hist(heights, 100)
plt.xlabel('value')
plt.ylabel('frequency')
plt.title('test')
plt.show()
#建立張量常量
x = tf.random_normal(shape=[20000],mean=0.0, stddev=1.0,dtype=tf.float32)
#顯示它的值
init_op = tf.global_variables_initializer()
with tf.session() as sess:
sess.run(init_op)
print(x.eval())
drawhist(x.eval())

AI學習之路（13） 建立隨機張量3

tf.random uniform shape,minval 0,maxval none,dtype tf.float32,seed none,name none 均勻分布 uniform distribution 是概率統計中的重要分布之一。顧名思義，均勻，表示可能性相等的含義。引數 shape ...

我的AI學習之路 1

其實有多種方式搭建ai環境，有簡單環境 windows python pycharm 還有anaconda模式 注意python的版本，是32位還是64位的，選擇64位，如果32位會出現很多想不到的錯誤提示 二 安裝 numpy包 pip3 install numpy 如果pip3版本低了，會的提示...

Tensorflow2 0學習筆記 建立張量

使用constant建立張量 使用constant函式建立張量 其中 1，5 表示張量內容，dtype表示資料型別 a tf.constant 1,5 dtype tf.int32 輸出a，a的資料型別，a的形狀 print a print a.dtype print a.shape 輸出結果 tf...