tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度,mean是均值,stddev是标准差。这个函数产生正太分布,均值和标准差自己设定。这是一个截断的产生正太分布的函数,就是说产生正太分布的值如果与均值的差值大于两倍的标准差,那就重新生成。和一般的正太分布的产生随机数据比起来,这个函数产生的随机数与均值的差距不会超过两倍的标准差,但是一般的别的函数是可能的。神经网络中的大多数的shape参数都是这种情况。shape参数形式如下:
def weight_variable(shape): inital=tf.truncated_normal(shape,stddev=0.1) return tf.Variable(inital)
#5*5:patch(卷积核大小) #1:in_size(图像的厚度) #32:out_size(图像的厚度) #32也可以理解为卷积核的个数 W_conv1=weight_variable([5,5,1,32])
tf.constant(value,dtype=None,shape=None,name='Const',verify_shape=False):在这里引入张量的概念。
TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.
张量可以在图中的节点之间流通.
阶
在TensorFlow系统中,张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶(有时是关于如顺序或度数或者是n维)
是张量维数的一个数量描述。
比如,下面的张量(使用Python中list定义的)就是2阶.
t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
你可以认为一个二阶张量就是我们平常所说的矩阵,一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]
来访问其中的任何元素.
而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.
阶 | 数学实例 | Python 例子 |
---|---|---|
0 | 纯量 (只有大小) | s = 483 |
1 | 向量(大小和方向) | v = [1.1, 2.2, 3.3] |
2 | 矩阵(数据表) | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
3 | 3阶张量 (数据立体) | t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]] |
n | n阶 (自己想想看) | .... |
形状
TensorFlow文档中使用了三种记号来方便地描述张量的维度:阶,形状以及维数.下表展示了他们之间的关系:
阶 | 形状 | 维数 | 实例 |
---|---|---|---|
0 | [ ] | 0-D | 一个 0维张量. 一个纯量. |
1 | [D0] | 1-D | 一个1维张量的形式[5]. |
2 | [D0, D1] | 2-D | 一个2维张量的形式[3, 4]. |
3 | [D0, D1, D2] | 3-D | 一个3维张量的形式 [1, 4, 3]. |
n | [D0, D1, ... Dn] | n-D | 一个n维张量的形式 [D0, D1, ... Dn]. |
1.
- import tensorflow as tf
- a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [3,3])
- b = tf.initialize_all_variables()
- with tf.Session() as sess:
- sess.run(b)
- print(sess.run(a))
- [[ 1. 2. 3.]
- [ 4. 5. 6.]
- [ 7. 8. 9.]]
很好理解。
2.
- import tensorflow as tf
- a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3])
- b = tf.initialize_all_variables()
- with tf.Session() as sess:
- sess.run(b)
- print(sess.run(a))
- [[[ 1. 2. 3.]
- [ 4. 5. 6.]
- [ 7. 8. 9.]]]
也很好理解,在例1的外层加一个中括号就行。
3.
- import tensorflow as tf
- a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,1])
- b = tf.initialize_all_variables()
- with tf.Session() as sess:
- sess.run(b)
- print(sess.run(a))
输出为:
- [[[[ 1.]
- [ 2.]
- [ 3.]]
- [[ 4.]
- [ 5.]
- [ 6.]]
- [[ 7.]
- [ 8.]
- [ 9.]]]]
第一次看到这个的时候很不理解,因为结果很奇怪,不直观,但是其实这也是一个 3 × 3 矩阵的表示,shape中有四个数字,
代表着输出的维数为4,在分割的过程中如果只剩一个数字,那么在这个数字外面加上一个中括号就充当了一维。
下面问题的输出应该猜到了吧。
- a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,1,1])
4.
- import tensorflow as tf
- a = tf.constant([[1.,2.,3.],[4.,5.,6.],[7.,8.,9.]],shape = [1,3,3,2])
- b = tf.initialize_all_variables()
- with tf.Session() as sess:
- sess.run(b)
- print(sess.run(a))
输出为:
- [[[[ 1. 2.]
- [ 3. 4.]
- [ 5. 6.]]
- [[ 7. 8.]
- [ 9. 9.]
- [ 9. 9.]]
- [[ 9. 9.]
- [ 9. 9.]
- [ 9. 9.]]]]