TensorFlow：生成随机常数

Question

在ipython中，我导入了tensorflow as tf和numpy as np，并创建了一个TensorFlow的InteractiveSession。 当我使用numpy输入来运行或初始化一些正态分布时，一切都很顺利：

some_test = tf.constant(np.random.normal(loc=0.0, scale=1.0, size=(2, 2)))
session.run(some_test)

返回:

array([[-0.04152317,  0.19786302],
       [-0.68232622, -0.23439092]])

正如预期的那样。 但是当我使用Tensorflow正态分布函数时：

some_test = tf.constant(tf.random_normal([2, 2], mean=0.0, stddev=1.0, dtype=tf.float32))
session.run(some_test)

...它会引发类型错误，显示：

(...)
TypeError: List of Tensors when single Tensor expected

我在这里错过了什么？

以下是输出结果：

sess.run(tf.random_normal([2, 2], mean=0.0, stddev=1.0, dtype=tf.float32))

单独使用 alone 会生成与 np.random.normal 相同的结果，即从正态分布中取值，生成一个形状为 (2, 2) 的矩阵。

- daniel451

Answer 1

tf.constant()操作接受一个NumPy数组（或可以隐式转换为NumPy数组的内容），并返回一个值与该数组相同的tf.Tensor。它不接受tf.Tensor作为其参数。

另一方面，tf.random_normal()操作返回一个按照给定分布随机生成的tf.Tensor值，每次运行时都是不同的。由于它返回一个tf.Tensor，因此不能用作tf.constant()的参数。这就解释了TypeError的原因（与使用tf.InteractiveSession无关，因为它发生在构建图时）。

我假设您想要在图中包含一个张量，(i)它在第一次使用时是随机生成的，之后(ii)保持不变。有两种方法可以实现这个目标：

1. 使用NumPy生成随机值，并将其放入tf.constant()中，就像你在问题中所做的那样：

some_test = tf.constant(
    np.random.normal(loc=0.0, scale=1.0, size=(2, 2)).astype(np.float32))

(Potentially faster, as it can use the GPU to generate the random numbers) 使用 TensorFlow 生成随机数并将其放入 tf.Variable 中：

some_test = tf.Variable(
    tf.random_normal([2, 2], mean=0.0, stddev=1.0, dtype=tf.float32)
sess.run(some_test.initializer)  # Must run this before using `some_test`

- mrry

---

谢谢解释！所以当我想要GPU加速，也就是“纯”TensorFlow来获取一个随机的“常量”时，我必须使用tf.Variable？ - daniel451

是的，这很反直觉，不是吗？ :) 问题实际上在于，在TF中，“is variable”和“is initializable”的概念被合并到了同一类型中 - 我们偶尔讨论过更好的初始化方式（例如C语言类似的静态初始化的等效方式），但尚未确定设计。 （人们可以想象这样的事情对于像常量折叠等优化非常有用。） - mrry

感谢您的回复@mrry。如果我想做同样的事情，但是我不想在此之后保持some_test常量，那么我是否应该像选项2一样做，但不包括sess.run(some_test.initializer)？ - bnorm