标签：cti copyright 整数 logs random rand 案例 浮点 range
一、关于numpy的random的使用：
1.rand随机值
In [2]: np.random.rand(3,2)
Out[2]:
array([[ 0.04287046, 0.68212741],
[ 0.25322512, 0.50287344],
[ 0.75530125, 0.55308281]])
2.randn返回样本具有标准正太分布
In [4]: np.random.randn(3,2)
Out[4]:
array([[-2.26840223, -0.24799291],
[-0.81557012, 0.92537801],
[ 0.04456033, -0.03864446]])
3.randint返回随机整数
In [8]: np.random.randint(2, size=10) Out[8]: array([0, 1, 1, 0, 0, 1, 0, 0, 0, 0])
In [9]: np.random.randint(1, size=5) Out[9]: array([0, 0, 0, 0, 0])
In [10]: np.random.randint(9, size=(4,5))
Out[10]:
array([[2, 5, 3, 0, 0],
[5, 5, 8, 0, 5],
[8, 3, 3, 8, 1],
[5, 5, 7, 4, 3]])
4.random([size])返回随机浮点数位于半开区间[0.0，1.0）
In [12]: np.random.random((3,5))
Out[12]:
array([[ 0.9406723 , 0.88534251, 0.48993398, 0.04959344, 0.69200616],
[ 0.8317934 , 0.02332241, 0.07543021, 0.26467834, 0.29640229],
[ 0.79139576, 0.72745639, 0.04238559, 0.15145797, 0.40844399]])
5.choice从给定的数字中生成一个随机样本
#从np.arange(8)中选取大小问为3的样本 In [13]: np.random.choice(8,3) Out[13]: array([0, 2, 5])
In [14]: a = [3,5,6,8,2,6,8] In [15]: np.random.choice(a,1) Out[15]: array([3]) In [16]: np.random.choice(a,1) Out[16]: array([3]) In [17]: np.random.choice(a,3) Out[17]: array([2, 6, 8]) In [18]: np.random.choice(a,4) Out[18]: array([6, 3, 2, 8])
6.shuffle(x)打乱x的顺序
In [22]: arr = np.arange(9) In [23]: np.random.shuffle(arr) In [24]: arr Out[24]: array([6, 0, 2, 7, 1, 3, 5, 8, 4])
更多详细内容参考:http://www.mamicode.com/info-detail-507676.html
二、tf.reduce_sum()中的参数reduction_indices详解
distance = tf.reduce_sum(tf.abs(tf.add(x_train,tf.negative(x_test))),reduction_indices=1)
reduce_sum() 就是求和，由于求和的对象是tensor，所以是沿着tensor的某些维度求和。reduction_indices是指沿tensor的哪些维度求和。
具体见下图详细解释：
三、
TensorFlow经典案例5：对前4次案例的一些思考与总结
标签：cti copyright 整数 logs random rand 案例 浮点 range
原文地址：http://www.cnblogs.com/zhangshilin/p/7224930.html
