Tensorflow数据读取有三种方式：
Preloaded data: 预加载数据 Feeding:
Python产生数据，再把数据喂给后端。 Reading from
file: 从文件中直接读取
具体可以参考：极客学院的数据读取
这里介绍下：
TF生成数据的方式
正常情况下，使用tf.initialize_all_variables()初始化变量，在完全构建好模型并加载之后才运行这个操作。生成数据的主要方法如下
1）如果需要利用已经初始化的参数给其他变量赋值
TF的变量有个initialized_value()属性，就是初始化的值，使用方法如下：
# 原始的变量 weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),name="weights") # 创造相同内容的变量 w2 = tf.Variable(weights.initialized_value(), name="w2") # 也可以直接乘以比例 w_twice = tf.Variable(weights.initialized_value() * 0.2, name="w_twice")
tf.set_random_seed(seed)
设置产生随机数的种子。
1. 生成tensor：
①tf.zeros(shape, dtype=tf.float32, name=None) #tf.zeros([2, 3], int32) ==> [[0, 0, 0], [0, 0, 0]]②tf.ones(shape, dtype=tf.float32, name=None) #tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]③tf.zeros_like(tensor, dtype=None, name=None) 新建一个与给定的tensor类型大小一致的tensor，其所有元素为1。# 'tensor' is [[1, 2, 3], [4, 5, 6]] tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]④tf.constant(value, dtype=None, shape=None, name='Const')创建一个常量tensor，先给出value，可以设定其shape # Constant **1-D** Tensor populated with value list. tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7] # Constant **2-D** tensor populated with scalar value -1. tensor = tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.] [-1. -1. -1.] ⑤tf.fill(dims, value, name=None) 创建一个形状大小为dim的tensor，其初始值为value # Output tensor has shape [2, 3]. fill([2, 3], 9) ==> [[9, 9, 9],[9, 9, 9]] ⑥tf.ones_like(tensor, dtype=None, name=None)
2.生成序列
⑦tf.range(start, limit, delta=1, name='range') 返回一个tensor等差数列，该tensor中的数值在start到limit之间，不包括limit，delta是等差数列的差值。start，limit和delta都是int32类型。 # 'start' is 3 # 'limit' is 18 # 'delta' is 3tf.range(start, limit, delta) ==> [3, 6, 9, 12, 15] # 'limit' is 5 start is 0tf.range(start, limit) ==> [0, 1, 2, 3, 4] ⑧tf.linspace(start, stop, num, name=None)返回一个tensor，该tensor中的数值在start到stop区间之间取等差数列（包含start和stop），如果num>1则差值为(stop-start)/(num-1)，以保证最后一个元素的值为stop。其中，start和stop必须为tf.float32或tf.float64。num的类型为int。 tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0 11.0 12.0]
3.生成随机数
⑨tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 返回一个tensor其中的元素的值服从正态分布。 seed: A Python integer. Used to create a random seed for the distribution.See set_random_seed for behavior。 ⑩tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 返回一个tensor其中的元素服从截断正态分布 理解：shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说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。和一般的正太分布的产生随机数据比起来，这个函数产生的随机数与均值的差距不会超过两倍的标准差，但是一般的别的函数是可能的。 ⑩①tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None) 返回一个形状为shape的tensor，其中的元素服从minval和maxval之间的均匀分布。 ⑩②tf.random_shuffle(value, seed=None, name=None) 对value（是一个tensor）的第一维进行随机化。 [[1,2], [[2,3], [2,3], ==> [1,2], [3,4]] [3,4]]
参数说明：参考官网：链接
shape: 用于表示维度，通常为一个int32类型数组，或者一个一维(1-D)的tf.int32数字．注意不能直接使用数字dtype: 所要创建的tensor对象的数据类型tensor: tensor对象 mean：数据类型为dtype的张量值或Python值。是正态分布的均值。 stddev：数据类型为dtype的张量值或Python值。是正态分布的标准差 seed：一个Python整数。是随机种子。 name： 操作的名称(可选) 操作案例：这里之选择一个操作，用with开与关12345678
data1=tf.zeros([2, 3],tf.int32) with tf.Session() as sess1: print(sess1.run(data1)) receive：[[0 0 0] [0 0 0]]