TensorFlow生成常量、序列与随机值完整指南

一颗松果

发布时间：2026-10-13| 4人浏览过

原创

本文详细介绍TensorFlow中生成常量、序列及随机值的核心函数。涵盖tf.zeros、tf.ones、tf.fill等常量创建方法，tf.linspace与tf.range序列生成技巧，以及uniform、normal和truncated_normal随机分布的使用。通过具体代码示例解析参数设置与输出结果，助力开发者高效构建神经网络初始数据。

TensorFlow生成常量、序列与随机值完整指南

TensorFlow 生成常量、序列和随机值

生成常量

除了常见的 tf.constant()，TensorFlow 还提供了类似 NumPy 的多种特殊常量生成函数，方便不同场景下的数据初始化。

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

该函数的参数含义直观：shape 指定张量形状，dtype 指定数据类型（默认为 float32），name 为可选名称。其功能是返回一个形状指定且所有元素均为零的张量。

tf.zeros_like(tensor, dtype=None, name=None, optimizer=True) 的功能与名称一致：传入一个现有张量，返回一个具有相同形状和数据类型的张量。用户也可通过 dtype 参数显式指定新的数据类型。

tf.ones() 和 tf.ones_like() 的用法与上述 zeros 系列函数完全对应，分别用于生成全1张量和与输入张量同形状的全1张量。

tf.fill(shape, value, name=None) 用于生成一个指定形状且所有元素均填充为指定数值 value 的张量。例如：


tf.fill([2,3],9)

返回的张量就是：


[[9 9 9]
 [9 9 9]]

生成序列


tf.linspace(start, stop, num, name=None)

TensorFlow 中的序列生成函数名称与 NumPy 保持一致，但参数进行了简化。前两个参数分别指定序列的起始值和结束值，num 参数指定生成的元素数量，最后 name 为可选名称。例如：


a = tf.linspace(1.0, 10.0, 10, name='lin1')

输出：


[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]


tf.range(start, limit, delta, dtype=None, name=None)

例如：


a = tf.range(1, 5, 1)

输出：


[1 2 3 4]

随机张量

在 TensorFlow 中，随机值生成至关重要，许多模型初始参数往往依赖随机初始化。常用的随机值生成函数包括以下几种：

生成均匀分布的随机张量


# 调用格式
random_uniform(
  shape,
  minval=0,
  maxval=None,  # 最大值以及最小值
  dtype=tf.float32,
  seed=None,   # 指定种子
  name=None
)


# 例如
a = tf.random_uniform([2,3], minval=1.0, maxval=5.0, dtype=tf.float32)


# 输出
[[4.458698 4.091486 4.3704953]
 [3.893827 2.7951822 2.2381153]]

生成服从正态分布的随机张量


# 调用格式
random_normal(
  shape,
  mean=0.0,   # 均值
  stddev=1.0,  # 标准差
  dtype=tf.float32,
  seed=None,
  name=None
)


a = tf.random_normal([2,3], mean=3.0, stddev=1.0, dtype=tf.float32)


[[3.65199  1.879906 2.1775374]
 [1.6041888 1.503772 2.704612 ]]

生成服从截断正态分布的随机张量


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

[[4.477414 2.9767075 2.377511 ]
 [2.7083392 4.2639837 2.497882 ]]

该函数与正态分布函数使用方式类似，但增加了“截断”机制，即限制每个元素的取值范围。如果生成的值距离平均值超过 2 个标准差，该值将被丢弃并重新选择，以确保数据分布更集中。

以上这篇基于TensorFlow常量、序列以及随机值生成实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持本站。