创建tensor

创建tensor的方式非常非常的多，比如将numpy转换为tensor,或者将List喂给tensor,或者创建一个全是0和1的tenor或者随机化初始，如果W，b比较多的话我们就用random的方式随机化初始。几种方法如下：

通过Numpy或者list得到tensor

非常简单，使用tf.convert_to_tensor函数实现：

也可以是全0的数据：

也可以是list操作：

新建人为数值的tensor

tf.zero 将W,b全部初始化为0.有一点需要注意，tf.zero后面接的数据是shape不是data,上面的都是data

更高维度：

tf.zero_like 生成一个和你传入的参数形态一样的shape

同样的道理初始化全部为1，tf.ones

tf.fill 填充任意元素的值 需要写入填充的值

**使用normal来得到tensor的值，**随机分布服从于正太分布.参数中有mean以及stddev均值和方差两个参数需要你去指定，不指定就是N（0，1）的标准正太

数据会从这个指定的正太分布中取出，比如上图取出4次
.truncated_normal裁剪阶段的正太分布，再原来正太分布获取某一段元素。

使用.truncated_normal初始化往往比使用normal直接初始化性能要好一些。比如在遇到smgoid函数的时候。
.uniform均匀分布，一个初始化的值，从0到1之间采样，生成一个两行两均匀采样

看一个例子，随机打散
比如[64,28,28,3] 一个batch有64张照片，每张照片有28*28的像素，是RGB特色。64张图片，我们生成0~63的索引，我们就可以做到打散。

gather可以做到一一对应的关系。

tf.constant基本和convert_to_tensor相同

也是shape 参数逻辑一定要正确

典型应用

向量

看一个例子

如何用于自然语言
把每个单词转为向量 长度是对应的，比如你有一个句子，每个句子有80个单词，每个单词编码为长度为5的向量。比如你有B个句子，那么向量的shape就是[B,80,5]

一个例子对影评，判断好评还是差评
一个句子80个单词，25000个评价，每个单词100维编码 【25000，80，100】

图片

上面的是图像的shape 一定要对他非常敏感 每一个都有其特别含义。比如下面，一个【4，32，32，3】的图片经过一个卷积神经网络后 变为【4，32，32，16】

所谓的matelearn 多一个维度，任务的维度