本文主要是介绍TensorFlow random_crop和multinomial等方法学习，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在学习斯坦福大学TensorFlow教程第二节课（https://www.youtube.com/watch?v=9kC836XhICU&list=PLQ0sVbIj3URf94DQtGPJV629ctn2c1zN-&index=2）的时候，遇到几个随机数生成的方法，这里学习一下。
第一个是tf.random_normal()，该方法就是用正态分布产生随机数，默认是标准正态分布。
第二个是tf.truncated_normal()，该方法类似上一个，就是多了店截断操作，具体说就是产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。
第三个是tf.random_uniform()，该方法则是用均匀分布产生随机值，默认浮点数范围[0, 1)，整数的话maxval要指定。均匀分布也就是(a, b)范围内，概率密度f(x) = 1 / (b - a)，其他地方则为0。
第四个是tf.random_suffle()，每一次都把其中的一些行换位置或者不换，代码如下：
import tensorflow as tfa = tf.get_variable('a', [3, 2], initializer=tf.random_normal_initializer(mean=0, stddev=1))init_op = tf.global_variables_initializer()with tf.Session() as sess:sess.run(init_op)print(sess.run(a))print(sess.run(tf.random_shuffle(a)))
结果如下：
[[ 2.0261083 -0.34673768][ 0.09152898 1.1487025 ][ 1.2850556 0.97470516]]
[[ 2.0261083 -0.34673768][ 1.2850556 0.97470516][ 0.09152898 1.1487025 ]]这里所有行都没变，再执行一次：
[[ 0.5839885 -0.11081421][-0.4712714 0.40724093][-0.12657043 -0.03069498]]
[[-0.12657043 -0.03069498][ 0.5839885 -0.11081421][-0.4712714 0.40724093]]发现行的位置变了，该函数的操作效果就是这样。我在写代码的时候，不小心把tf.global_variables_initializer()写在了变量a前面，这个时候程序报错。虽然我觉得还没用sess.run()，所以tf.global_variables_initializer()位置应该可以放前面的，不过确实不行。
第五个是tf.random_crop()，参考https://blog.csdn.net/sinat_21585785/article/details/74144800。例如我的原图为：
裁剪为：
再运行一次，裁剪为：
代码如下：
import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as pltsess = tf.InteractiveSession()
image = img.imread('MarshOrchid.jpg')reshaped_image = tf.cast(image, tf.float32)
size = tf.cast(tf.shape(reshaped_image).eval(), tf.int32)height = sess.run(size[0] // 2)
width = sess.run(size[1] // 2)distored_image = tf.random_crop(reshaped_image, [height, width, 3])print(tf.shape(reshaped_image).eval())
print(tf.shape(distored_image).eval())fig = plt.figure()
fig1 = plt.figure()ax = fig.add_subplot(111)
ax1 = fig1.add_subplot(111)ax.imshow(sess.run(tf.cast(reshaped_image, tf.uint8)))
ax1.imshow(sess.run(tf.cast(distored_image, tf.uint8)))plt.show()
这里用matplotlib.image的imread()方法读入图片，用tf.cast()方法将其数值转换为float32类型，然后打印其shape，我这里为[5528 3685 3]。接着用整除得到裁剪数值，选择的为裁剪一半。接着是figure实例，add_subplot()操作添加子图，一个的话里面是“111”，两个的话则分别add_subplot(221)，add_subplot(222)，add_subplot(223)，add_subplot(224)。imshow()方法第一个参数X存储图像，最后用plt.show()显示。
第六个tf.multinomial()，multinomial也就是多项式。这个方法可以从多项式分布中抽取样本，就是根据概率分布的大小，返回对应维度的下标序号。测试代码如下：
import numpy as np
import tensorflow as tfb = tf.constant(np.random.normal(size = (3, 4)))with tf.Session() as sess:print(sess.run(b))print(sess.run(tf.multinomial(b, 5)))
结果为：
[[ 2.04100276 -1.12229608 -0.78679458 -0.16623389][ 0.73953609 -0.06907413 0.38520517 -0.27433991][ 0.0813765 -0.16081293 -2.02023628 0.23459176]]
[[0 0 0 0 2][3 0 2 1 2][0 1 0 3 3]]b变量原来为三行四列的，经过该操作后成了三行五列的。multinomial()方法第一个参数是一个2-D Tensor，称为logits，其shape为[batch_size, num_classes]，所以本例中batch_size就是3，num_classes就是4。第二个参数是num_samples，是一个0-D Tensor，也就是常量，表示从每一行切片中获取的独立样本的个数。这里我用的随机数作为初始变量，其实如果以固定的值来算，其multinomial()结果也会是变化的。
第七个是tf.random_gamma()。该方法根据gamma分布个数，每个分布给出shape参数对应个数数据。
在本部分的学习中，遇到的一些其他不清楚的问题一并记录如下。
1. numpy的eye()方法可以得到一个单位矩阵，如
import numpy as npe = np.eye(3)得到的结果如下：
[[1. 0. 0.][0. 1. 0.][0. 0. 1.]]这也就是3行3列的方阵，单位矩阵一定是方阵。不过该方法实际上可以不产生方阵，如将其改为np.eye(3, 4)，那么就得到3行4列的如下输出：
[[1. 0. 0. 0.][0. 1. 0. 0.][0. 0. 1. 0.]]其类型是numpy.ndarray，可以用e.shape属性获取其shape信息。
2. TensorFlow的变量也是可以用shape直接获取其shape属性的，如：
import tensorflow as tfa = tf.get_variable('a', [2, 3], initializer=tf.random_normal_initializer(mean=0, stddev=1))init_op = tf.global_variables_initializer()with tf.Session() as sess:sess.run(init_op)print('a:\n', sess.run(a))print(type(a))print(a.shape)这里面变量a是2行3列的矩阵，其类型是tensorflow.python.ops.variables.Variable，虽然不是numpy.ndarray，但是用a.shape是没问题的。接着，TensorFlow有tf.shape(x)和x.get_shape()两个方法，和以上有什么不同呢？加上print(tf.shape(a))，得到的是：
Tensor("Shape:0", shape=(2,), dtype=int32)所以对于tf.shape(x)，x可以是tensor，也可以不是，其返回值是一个tensor。shape=(2,)也就是个二维矩阵了，接着 print(sess.run(tf.shape(a)))确定运行后其二维各自大小，得到：
[2 3]也就是该二维矩阵第一个维度（行）是2，第二个维度（列）是3。
这篇关于TensorFlow random_crop和multinomial等方法学习的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
