【Tensorflow中创建张量的方法合集】zeros，ones，fill，constant，truncated_nomal，random_nomal，Variable，placeholder等

固定值张量

tf.zeros(shape, dtype=tf.float32, name=None)

创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。

import tensorflow as tf
a = tf.zeros((3,4),name="demo")
with tf.Session() as sess:
    print(a)
    print(sess.run(a))

tf.zeros_like(tensor, dtype=None, name=None)

给tensor定单张量()，此操作返回tensor与所有元素设置为零相同的类型和形状的张量。

import tensorflow as tf
a = tf.zeros((3,4),name="demo")
b = tf.zeros_like(a, dtype=float,name="demo2")
with tf.Session() as sess:
    print(a)
    print(sess.run(a))
    print(b)
    print(sess.run(b))

tf.ones(shape, dtype=tf.float32, name=None)

创建一个所有元素设置为1的张量。此操作返回-个类型的张量，dtype形 状shape和所有元素设置为1.

import tensorflow as tf
a = tf.ones((3,6), dtype=tf.float32, name="demo3")
with tf.Session() as sess:
    print(a)
    print(sess.run(a))

tf.ones_like(tensor, dtype=None, name=None)

给tensor定单张量()，此操作返回tensor与所有元素设置为1相同的类型和形状的张量。

import tensorflow as tf
a = tf.ones((3,6), dtype=tf.float32, name="demo3")
b = tf.ones_like(a, dtype=float, name="demo4")
with tf.Session() as sess:
    print(a)
    print(sess.run(a))
    print(b)
    print(sess.run(b))

tf.fill(dims, value, name=None)

创建一个填充了标量值的张量。此操作创建一个张量的形状dims并填充它value.

import tensorflow as tf
a = tf.fill((3,4), 888, name="three")
with tf.Session() as sess:
    print(a)
    print(sess.run(a))

tf.constant(value, dtype=None, shape=None, name=‘Const’)

创建一个常数张量。

import tensorflow as tf
a = tf.constant(7, dtype=float, shape=None, name='Const')
with tf.Session() as sess:
    print(a)
    print(sess.run(a))

随机值张量

一般我们经常使用的随机数函数Math.random（）产生的是服从均匀分布的随机数，能够模拟等概率出现的情 况，例如扔一个骰子，1到6点的概率应该相等，但现实生活中更多的随机现象是符合正态分布的，例如20 岁成年人的体重分布等。

假如我们在制作一个游戏，要随机设定许许多多NPC的身高，如果还用Math.random（）, 生成从140 到220 之间的数字，就会发现每个身高段的人数是一样多的，这是比较无趣的，这样的世界也与我们习惯不同，现 实应该是特别高和特别矮的都很少，处于中间的人数最多，这就要求随机函数符合正态分布。

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

从截断的正态分布中输出随机值，和tf.random_normal（）一样，但是所有数字都不超过两个标准差

import tensorflow as tf
a = tf.truncated_normal((3,4), mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
with tf.Session() as sess:
    print(a)
    print(sess.run(a))

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

从正态分布中输出随机值，由随机正态分布的数字组成的矩阵

import tensorflow as tf
a = tf.random_normal((5,2), mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
with tf.Session() as sess:
    print(a)
    print(sess.run(a))

其它特殊的创建张量op

tf.Variable

tf.Variable(initializer,name),参数initializer是初始化参数，name是可自定义的变量名称，用法如下：

import tensorflow as tf
v1=tf.Variable(tf.random_normal(shape=[4,3],mean=0,stddev=1),name='v1')
v2=tf.Variable(tf.constant(2),name='v2')
v3=tf.Variable(tf.ones([4,3]),name='v3')
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(v1))
    print(sess.run(v2))
    print(sess.run(v3))

tf.placeholder

tf.placeholder(dtype, shape=None, name=None)
placeholder，占位符，在tensorflow中类似于函数参数，运行时必须传入值。

• dtype：数据类型。常用的是tf.float32,tf.float64等数值类型。
• shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定。
• name：名称。

import tensorflow as tf

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

output = tf.multiply(input1, input2)

with tf.Session() as sess:
    print(sess.run(output, feed_dict={input1: [3.], input2: [4.]}))