Tensorflow 随机张量
- tf.random_normal(shape, mean, stddev, dtype, seed, name)
正太分布：生成100个均值为0、标准差为1的随机数。
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
norm = tf.random_normal([100], mean = 0.0, stddev = 1.0)
with tf.Session() as sess:
y = sess.run(norm)
plt.plot(y)
plt.show()
- tf.truncated_normal(shape, mean, stddev, dtype, seed, name)
正太分布：生成的值遵循具有指定平均值和标准偏差的正态分布，与tf.random_normal()不同之处在于其平均值大于 2 个标准差的值将被丢弃并重新选择。
tru_norm = tf.truncated_normal([100], mean = 0.0, stddev = 1.0)
with tf.Session() as sess:
y = sess.run(tru_norm)
plt.plot(y)
plt.show()
- tf.random_uniform(shape, minval, maxval, dtype, seed, name)
生成的值在该 [minval, maxval) 范围内遵循均匀分布。下限 minval 包含在范围内，而上限 maxval 被排除在外。
对于浮点数，默认范围是 [0, 1)。
对于整数，至少 maxval 必须明确地指定。在整数情况下，随机整数稍有偏差，除非 maxval - minval 是 2 的精确幂。对于maxval - minval 的值，偏差很小，明显小于输出（2**32 或者 2**64）的范围。
uni = tf.random_uniform([100], minval = 0.0, maxval = 2.0)
with tf.Session() as sess:
y = sess.run(uni)
plt.plot(y)
plt.show()
- tf.random_shuffle( value, seed, name)
随机地将张量沿value的第一维度打乱。
shuff = tf.random_shuffle([[1, 2],[3, 4],[5, 6]])
with tf.Session() as sess:
print (sess.run(shuff))[[5 6]
[1 2]
[3 4]]tf.random_crop(value, size, seed, name)
随机地将张量裁剪为给定的大小。
以一致选择的偏移量将一个形状 size 部分从 value 中切出。需要的条件：value.shape >= size。
如果大小不能裁剪，请传递该维度的完整大小。例如，可以使用 size = [crop_height, crop_width, 3] 裁剪 RGB 图像。
a = tf.constant([[1, 2, 3],[3, 4, 5],[5, 6, 7]])
crop = tf.random_crop(a, [2, 2])
with tf.Session() as sess:
print (sess.run(crop))[[4 5]
[6 7]]
- tf.random_gamma(shape, alpha, beta, dtype, seed, name)
生成具有 dtype 类型值的带有形状 tf.concat(shape, tf.shape(alpha + beta)) 的 Tensor。
samples = tf.random_gamma([2, 2], alpha = [[1.],[3.],[5.]], beta = [[3., 4.]])
# samples 形状为 [2, 2, 3, 2], 每个 3x2 分布有2x2个样本
with tf.Session() as sess:
print (sess.run(samples))[[[[ 1.63772702 0.5840373 ]
[ 1.03710461 0.36423346]
[ 2.86617827 0.84376758]]
[[ 0.6439873 0.36427465]
[ 0.84286988 0.85151744]
[ 1.08493042 1.33050048]]]
[[[ 0.03977644 0.56549203]
[ 0.98616809 0.61759812]
[ 1.91300941 1.36291587]]
[[ 0.24800633 0.04706015]
[ 1.19238377 0.52829504]
[ 2.43106723 1.20613503]]]]
- tf.set_random_seed(seed)
tf.set_random_seed()为图形级随机seed。在op里设置的seed为操作级seed。
它与操作级别seed的交互如下：
- 如果既没有设置图层级也没有设置操作级别的seed：则使用随机seed进行该操作。
- 如果设置了图形级seed，但操作seed没有设置：系统确定性地选择与图形级seed结合的操作seed，以便获得唯一的随机序列。
- 如果未设置图形级seed，但设置了操作seed：使用默认的图层seed和指定的操作seed来确定随机序列。
- 如果图层级seed和操作seed都被设置：则两个seed将一起用于确定随机序列。
aa = tf.random_uniform([1])
print("Session 1")
with tf.Session() as sess1:
print(sess1.run(aa)) # generates 'A1'
print(sess1.run(aa)) # generates 'A2'
print("Session 2")
with tf.Session() as sess2:
print(sess2.run(aa)) # generates 'A3'
print(sess2.run(aa)) # generates 'Session 1
[ 0.47583222]
[ 0.20866013]
Session 2
[ 0.23697805]
[ 0.88876247]bb = tf.random_uniform([1], seed = 1)
print("Session 1")
with tf.Session() as sess1:
print(sess1.run(bb)) # generates 'B1'
print(sess1.run(bb)) # generates 'B2'
print("Session 2")
with tf.Session() as sess2:
print(sess2.run(bb)) # generates 'B1'
print(sess2.run(bb)) # generates 'B2'Session 1
[ 0.23903739]
[ 0.22267115]
Session 2
[ 0.23903739]
[ 0.22267115]tf.set_random_seed(1)
cc = tf.random_uniform([1])
print("Session 1")
with tf.Session() as sess1:
print(sess1.run(cc)) # generates 'C1'
print(sess1.run(cc)) # generates 'C2'
print("Session 2")
with tf.Session() as sess2:
print(sess2.run(cc)) # generates 'C1'
print(sess2.run(cc)) # generates 'C2'再执行一次会同时变
Session 1
[ 0.20512795]
[ 0.26588583]
Session 2
[ 0.20512795]
[ 0.26588583]
tf.set_random_seed(1234)
cc = tf.random_uniform([1], seed = 1)
print("Session 1")
with tf.Session() as sess1:
print(sess1.run(cc)) # generates 'C1'
print(sess1.run(cc)) # generates 'C2'
print("Session 2")
with tf.Session() as sess2:
print(sess2.run(cc)) # generates 'C1'
print(sess2.run(cc)) # generates 'C2'再执行不会变
Session 1
[ 0.1689806]
[ 0.7539084]
Session 2
[ 0.1689806]
[ 0.7539084]