1、函数及参数：tf.nn.conv2d

conv2d(
input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format='NHWC',
name=None
)

卷积的原理可参考 A guide to convolution arithmetic for deep learning

参数列表：

参数名 必选 类型 说明
input 是 tensor 是一个 4 维的 tensor，即 [ batch, in_height, in_width, in_channels ]（若 input 是图像，[ 训练时一个 batch 的图片数量, 图片高度, 图片宽度, 图像通道数 ]）
filter 是 tensor 是一个 4 维的 tensor，即 [ filter_height, filter_width, in_channels, out_channels ]（若 input 是图像，[ 卷积核的高度，卷积核的宽度，图像通道数，卷积核个数 ]）,filter 的 in_channels 必须和 input 的 in_channels 相等
strides 是 列表 长度为 4 的 list，卷积时候在 input 上每一维的步长，一般 strides[0] = strides[3] = 1
padding 是 string 只能为 " VALID "，" SAME " 中之一，这个值决定了不同的卷积方式。VALID 丢弃方式；SAME：补全方式
use_cudnn_on_gpu 否 bool 是否使用 cudnn 加速，默认为 true
data_format 否 string 只能是 " NHWC ", " NCHW "，默认 " NHWC "
name 否 string 运算名称
实例：

import tensorflow as tf

a = tf.constant([1,1,1,0,0,0,1,1,1,0,0,0,1,1,1,0,0,1,1,0,0,1,1,0,0],dtype=tf.float32,shape=[1,5,5,1])

b = tf.constant([1,0,1,0,1,0,1,0,1],dtype=tf.float32,shape=[3,3,1,1])

c = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='VALID')

d = tf.nn.conv2d(a,b,strides=[1, 2, 2, 1],padding='SAME')

with tf.Session() as sess:

    print ("c shape:")

    print (c.shape)

    print ("c value:")

    print (sess.run(c))

    print ("d shape:")

    print (d.shape)

    print ("d value:")

    print (sess.run(d))

结果：

c shape:

(1, 3, 3, 1)

c value:

[[[[ 4.]

   [ 3.]

   [ 4.]]

  [[ 2.]

   [ 4.]

   [ 3.]]

  [[ 2.]

   [ 3.]

   [ 4.]]]]

d shape:

(1, 5, 5, 1)

d value:

[[[[ 2.]

   [ 2.]

   [ 3.]

   [ 1.]

   [ 1.]]

  [[ 1.]

   [ 4.]

   [ 3.]

   [ 4.]

   [ 1.]]

  [[ 1.]

   [ 2.]

   [ 4.]

   [ 3.]

   [ 3.]]

  [[ 1.]

   [ 2.]

   [ 3.]

   [ 4.]

   [ 1.]]

  [[ 0.]

   [ 2.]

   [ 2.]

   [ 1.]

   [ 1.]]]]

 参考：https://blog.csdn.net/zuolixiangfisher/article/details/80528989

1.1、tf.layers.conv1d

一维卷积一般用于处理文本，所以输入一般是一段长文本，就是词的列表

函数定义如下：

tf.layers.conv1d(

inputs,

filters,

kernel_size,

strides=1,

padding='valid',

data_format='channels_last',

dilation_rate=1,

activation=None,

use_bias=True,

kernel_initializer=None,

bias_initializer=tf.zeros_initializer(),

kernel_regularizer=None,

bias_regularizer=None,

activity_regularizer=None,

kernel_constraint=None,

bias_constraint=None,

trainable=True,

name=None,

reuse=None

)

比较重要的几个参数是inputs, filters, kernel_size，下面分别说明

inputs :  输入tensor， 维度(None,  a, b) 是一个三维的tensor

None  ：  一般是填充样本的个数，batch_size

a         ：  句子中的词数或者字数

b          :    字或者词的向量维度

filters :  过滤器的个数

kernel_size : 卷积核的大小，卷积核其实应该是一个二维的，这里只需要指定一维，是因为卷积核的第二维与输入的词向量维度是一致的，因为对于句子而言，卷积的移动方向只能是沿着词的方向，即只能在列维度移动

一个例子：

inputs = tf.placeholder('float', shape=[None, 6, 8])

out = tf.layers.conv1d(inputs, 5, 3)

说明： 对于一个样本而言，句子长度为6个字，字向量的维度为8

filters=5, kernel_size=3， 所以卷积核的维度为3*8

那么输入6*8经过3*8的卷积核卷积后得到的是4*1的一个向量(4=6-3+1)

又因为有5个过滤器，所以是得到5个4*1的向量

参考：https://blog.csdn.net/u011734144/article/details/84066928

2、函数及参数：tf.nn.relu

relu(
features,
name=None
)

功能说明：

参数列表：

参数名 必选 类型 说明
features 是 tensor 是以下类型float32, float64, int32, int64, uint8, int16, int8, uint16, half
name 否 string 运算名称

实例：

import tensorflow as tf

a = tf.constant([1,-2,0,4,-5,6])

b = tf.nn.relu(a)

with tf.Session() as sess:

    print (sess.run(b))

执行结果：

[1 0 0 4 0 6]

3、函数及参数：tf.nn.max_pool

max_pool(
value,
ksize,
strides,
padding,
data_format='NHWC',
name=None
)

功能说明：

参数列表：

参数名 必选 类型 说明
value 是 tensor 4 维的张量，即 [ batch, height, width, channels ]，数据类型为 tf.float32
ksize 是 列表 池化窗口的大小，长度为 4 的 list，一般是 [1, height, width, 1]，因为不在 batch 和 channels 上做池化，所以第一个和最后一个维度为 1
strides 是 列表 池化窗口在每一个维度上的步长，一般 strides[0] = strides[3] = 1
padding 是 string 只能为 " VALID "，" SAME " 中之一，这个值决定了不同的池化方式。VALID 丢弃方式；SAME：补全方式
data_format 否 string 只能是 " NHWC ", " NCHW "，默认" NHWC "
name 否 string 运算名称

实例：

import tensorflow as tf

a = tf.constant([1,3,2,1,2,9,1,1,1,3,2,3,5,6,1,2],dtype=tf.float32,shape=[1,4,4,1])

b = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='VALID')

c = tf.nn.max_pool(a,ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1],padding='SAME')

with tf.Session() as sess:

    print ("b shape:")

    print (b.shape)

    print ("b value:")

    print (sess.run(b))

    print ("c shape:")

    print (c.shape)

    print ("c value:")

    print (sess.run(c))

执行结果：

b shape:

(1, 2, 2, 1)

b value:

[[[[ 9.]

   [ 2.]]

  [[ 6.]

   [ 3.]]]]

c shape:

(1, 2, 2, 1)

c value:

[[[[ 9.]

   [ 2.]]

  [[ 6.]

   [ 3.]]]]

池化的意义

4、函数及参数：tf.nn.dropout

dropout(
x,
keep_prob,
noise_shape=None,
seed=None,
name=None
)

功能说明：

参数列表：

参数名 必选 类型 说明
x 是 tensor 输出元素是 x 中的元素以 keep_prob 概率除以 keep_prob，否则为 0
keep_prob 是 scalar Tensor dropout 的概率，一般是占位符
noise_shape 否 tensor 默认情况下，每个元素是否 dropout 是相互独立。如果指定 noise_shape，若 noise_shape[i] == shape(x)[i]，该维度的元素是否 dropout 是相互独立，若 noise_shape[i] != shape(x)[i] 该维度元素是否 dropout 不相互独立，要么一起 dropout 要么一起保留
seed 否 数值 如果指定该值，每次 dropout 结果相同
name 否 string 运算名称

防止过拟合

实例：

import tensorflow as tf

a = tf.constant([1,2,3,4,5,6],shape=[2,3],dtype=tf.float32)

b = tf.placeholder(tf.float32)

c = tf.nn.dropout(a,b,[2,1],1)

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    print (sess.run(c,feed_dict={b:0.75}))

执行结果：

[[ 0.          0.          0.        ]

 [ 5.33333349  6.66666651  8.        ]]

5、函数及参数：tf.nn.sigmoid_cross_entropy_with_logits

sigmoid_cross_entropy_with_logits(
_sentinel=None,
labels=None,
logits=None,
name=None
)

功能说明：

先对 logits 通过 sigmoid 计算，再计算交叉熵，交叉熵代价函数可以参考 CS231n: Convolutional Neural Networks for Visual Recognition

参数列表：

参数名 必选 类型 说明
_sentinel 否 None 没有使用的参数
labels 否 Tensor type, shape 与 logits相同
logits 否 Tensor type 是 float32 或者 float64
name 否 string 运算名称

实例：

import tensorflow as tf

x = tf.constant([1,2,3,4,5,6,7],dtype=tf.float64)

y = tf.constant([1,1,1,0,0,1,0],dtype=tf.float64)

loss = tf.nn.sigmoid_cross_entropy_with_logits(labels = y,logits = x)

with tf.Session() as sess:

    print (sess.run(loss))

执行结果：

[  3.13261688e-01   1.26928011e-01   4.85873516e-02   4.01814993e+00

   5.00671535e+00   2.47568514e-03   7.00091147e+00]

相关1

 相关2

6、函数及参数：tf.truncated_normal

truncated_normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.float32,
seed=None,
name=None
)

功能说明：

产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]。

参数列表：

参数名 必选 类型 说明
shape 是 1 维整形张量或 array 输出张量的维度
mean 否 0 维张量或数值 均值
stddev 否 0 维张量或数值 标准差
dtype 否 dtype 输出类型
seed 否 数值 随机种子，若 seed 赋值，每次产生相同随机数
name 否 string 运算名称

实例：

import tensorflow as tf

initial = tf.truncated_normal(shape=[3,3], mean=0, stddev=1)

print(tf.Session().run(initial))
执行结果：
　　将得到一个取值范围 [ -2, 2 ] 的 3 * 3 矩阵

相关

7、函数及参数：tf.constant

constant(
value,
dtype=None,
shape=None,
name='Const',
verify_shape=False
)

功能说明：

根据 value 的值生成一个 shape 维度的常量张量

参数列表：

参数名 必选 类型 说明
value 是 常量数值或者 list 输出张量的值
dtype 否 dtype 输出张量元素类型
shape 否 1 维整形张量或 array 输出张量的维度
name 否 string 张量名称
verify_shape 否 Boolean 检测 shape 是否和 value 的 shape 一致，若为 Fasle，不一致时，会用最后一个元素将 shape 补全

8、函数及参数：tf.placeholder

placeholder(
dtype,
shape=None,
name=None
)

功能说明：

是一种占位符，在执行时候需要为其提供数据

参数列表：

参数名 必选 类型 说明
dtype 是 dtype 占位符数据类型
shape 否 1 维整形张量或 array 占位符维度
name 否 string 占位符名称

实例：

#!/usr/bin/python

import tensorflow as tf

import numpy as np

x = tf.placeholder(tf.float32,[None,3])

y = tf.matmul(x,x)

with tf.Session() as sess:

    rand_array = np.random.rand(3,3)

    print(sess.run(y,feed_dict={x:rand_array}))

执行结果：

输出一个 3x3 的张量

constant、placeholder、variable介绍

9、函数及参数：tf.Variable

__init__(
initial_value=None,
trainable=True,
collections=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
expected_shape=None,
import_scope=None
)

功能说明：

维护图在执行过程中的状态信息，例如神经网络权重值的变化。

参数列表：

参数名 类型 说明
initial_value 张量 Variable 类的初始值，这个变量必须指定 shape 信息，否则后面 validate_shape 需设为 False
trainable Boolean 是否把变量添加到 collection GraphKeys.TRAINABLE_VARIABLES 中（collection 是一种全局存储，不受变量名生存空间影响，一处保存，到处可取）
collections Graph collections 全局存储，默认是 GraphKeys.GLOBAL_VARIABLES
validate_shape Boolean 是否允许被未知维度的 initial_value 初始化
caching_device string 指明哪个 device 用来缓存变量
name string 变量名
dtype dtype 如果被设置，初始化的值就会按照这个类型初始化
expected_shape TensorShape 要是设置了，那么初始的值会是这种维度

实例：

#!/usr/bin/python

import tensorflow as tf

initial = tf.truncated_normal(shape=[10,10],mean=0,stddev=1)

W=tf.Variable(initial)

list = [[1.,1.],[2.,2.]]

X = tf.Variable(list,dtype=tf.float32)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init_op)

    print ("##################(1)################")

    print (sess.run(W))

    print ("##################(2)################")

    print (sess.run(W[:2,:2]))

    op = W[:2,:2].assign(22.*tf.ones((2,2)))

    print ("###################(3)###############")

    print (sess.run(op))

    print ("###################(4)###############")

    print (W.eval(sess)) #computes and returns the value of this variable

    print ("####################(5)##############")

    print (W.eval())  #Usage with the default session

    print ("#####################(6)#############")

    print (W.dtype)

    print (sess.run(W.initial_value))

    print (sess.run(W.op))

    print (W.shape)

    print ("###################(7)###############")

    print (sess.run(X))

执行结果：

##################(1)################

[[ 0.9146753   0.6688656  -1.160011    0.47780406 -0.75987047  0.12145027

   1.9253138   0.47339278  0.35785297 -1.3425105 ]

 [ 0.5472313  -1.1619761   0.5283075  -0.18622003  1.2028183   0.11885296

  -0.7281785  -0.7120525   1.2409171  -0.6293891 ]

 [-0.749       0.6319412   1.2232305   0.84037226  1.3894111   1.6266172

  -0.19630633 -0.60519034 -0.04114273 -0.26215535]

 [ 1.6056366  -0.34816736  1.8081874   0.616779    0.11021009 -1.8835621

  -0.7651011  -1.9168056   0.4641662  -0.49475962]

 [-0.19028567  0.5131004   0.6460657  -1.9266285  -0.8439824   0.9123347

  -0.06474591 -1.1662508  -0.26887077 -1.0815035 ]

 [-0.4873036  -1.286625    0.6506081  -0.6631708   0.14755192  0.6262951

   0.26856226 -0.73765683 -0.92605734 -0.06623057]

 [-0.63469845  0.53975016 -0.30874643 -0.38573733  0.7492554  -1.0891181

  -0.31184393 -0.9791635  -1.5904634   0.42422688]

 [-0.25923353  0.3640418  -0.13705702  1.3891985  -0.04305851  0.7362603

  -0.04637048  1.5171311  -0.41555843 -1.7395841 ]

 [-0.45628768  0.26341474 -0.6413827  -0.03408551 -0.6371565  -0.2707571

  -1.0807754  -0.545007   -0.9005748  -0.44123358]

 [-0.03599161 -0.93177044  0.12982644  0.7088804   0.35801464  0.11168886

   1.227298    0.4929586   1.5796568   0.39961207]]

##################(2)################

[[ 0.9146753  0.6688656]

 [ 0.5472313 -1.1619761]]

###################(3)###############

[[22.         22.         -1.160011    0.47780406 -0.75987047  0.12145027

   1.9253138   0.47339278  0.35785297 -1.3425105 ]

 [22.         22.          0.5283075  -0.18622003  1.2028183   0.11885296

  -0.7281785  -0.7120525   1.2409171  -0.6293891 ]

 [-0.749       0.6319412   1.2232305   0.84037226  1.3894111   1.6266172

  -0.19630633 -0.60519034 -0.04114273 -0.26215535]

 [ 1.6056366  -0.34816736  1.8081874   0.616779    0.11021009 -1.8835621

  -0.7651011  -1.9168056   0.4641662  -0.49475962]

 [-0.19028567  0.5131004   0.6460657  -1.9266285  -0.8439824   0.9123347

  -0.06474591 -1.1662508  -0.26887077 -1.0815035 ]

 [-0.4873036  -1.286625    0.6506081  -0.6631708   0.14755192  0.6262951

   0.26856226 -0.73765683 -0.92605734 -0.06623057]

 [-0.63469845  0.53975016 -0.30874643 -0.38573733  0.7492554  -1.0891181

  -0.31184393 -0.9791635  -1.5904634   0.42422688]

 [-0.25923353  0.3640418  -0.13705702  1.3891985  -0.04305851  0.7362603

  -0.04637048  1.5171311  -0.41555843 -1.7395841 ]

 [-0.45628768  0.26341474 -0.6413827  -0.03408551 -0.6371565  -0.2707571

  -1.0807754  -0.545007   -0.9005748  -0.44123358]

 [-0.03599161 -0.93177044  0.12982644  0.7088804   0.35801464  0.11168886

   1.227298    0.4929586   1.5796568   0.39961207]]

###################(4)###############

[[22.         22.         -1.160011    0.47780406 -0.75987047  0.12145027

   1.9253138   0.47339278  0.35785297 -1.3425105 ]

 [22.         22.          0.5283075  -0.18622003  1.2028183   0.11885296

  -0.7281785  -0.7120525   1.2409171  -0.6293891 ]

 [-0.749       0.6319412   1.2232305   0.84037226  1.3894111   1.6266172

  -0.19630633 -0.60519034 -0.04114273 -0.26215535]

 [ 1.6056366  -0.34816736  1.8081874   0.616779    0.11021009 -1.8835621

  -0.7651011  -1.9168056   0.4641662  -0.49475962]

 [-0.19028567  0.5131004   0.6460657  -1.9266285  -0.8439824   0.9123347

  -0.06474591 -1.1662508  -0.26887077 -1.0815035 ]

 [-0.4873036  -1.286625    0.6506081  -0.6631708   0.14755192  0.6262951

   0.26856226 -0.73765683 -0.92605734 -0.06623057]

 [-0.63469845  0.53975016 -0.30874643 -0.38573733  0.7492554  -1.0891181

  -0.31184393 -0.9791635  -1.5904634   0.42422688]

 [-0.25923353  0.3640418  -0.13705702  1.3891985  -0.04305851  0.7362603

  -0.04637048  1.5171311  -0.41555843 -1.7395841 ]

 [-0.45628768  0.26341474 -0.6413827  -0.03408551 -0.6371565  -0.2707571

  -1.0807754  -0.545007   -0.9005748  -0.44123358]

 [-0.03599161 -0.93177044  0.12982644  0.7088804   0.35801464  0.11168886

   1.227298    0.4929586   1.5796568   0.39961207]]

####################(5)##############

[[22.         22.         -1.160011    0.47780406 -0.75987047  0.12145027

   1.9253138   0.47339278  0.35785297 -1.3425105 ]

 [22.         22.          0.5283075  -0.18622003  1.2028183   0.11885296

  -0.7281785  -0.7120525   1.2409171  -0.6293891 ]

 [-0.749       0.6319412   1.2232305   0.84037226  1.3894111   1.6266172

  -0.19630633 -0.60519034 -0.04114273 -0.26215535]

 [ 1.6056366  -0.34816736  1.8081874   0.616779    0.11021009 -1.8835621

  -0.7651011  -1.9168056   0.4641662  -0.49475962]

 [-0.19028567  0.5131004   0.6460657  -1.9266285  -0.8439824   0.9123347

  -0.06474591 -1.1662508  -0.26887077 -1.0815035 ]

 [-0.4873036  -1.286625    0.6506081  -0.6631708   0.14755192  0.6262951

   0.26856226 -0.73765683 -0.92605734 -0.06623057]

 [-0.63469845  0.53975016 -0.30874643 -0.38573733  0.7492554  -1.0891181

  -0.31184393 -0.9791635  -1.5904634   0.42422688]

 [-0.25923353  0.3640418  -0.13705702  1.3891985  -0.04305851  0.7362603

  -0.04637048  1.5171311  -0.41555843 -1.7395841 ]

 [-0.45628768  0.26341474 -0.6413827  -0.03408551 -0.6371565  -0.2707571

  -1.0807754  -0.545007   -0.9005748  -0.44123358]

 [-0.03599161 -0.93177044  0.12982644  0.7088804   0.35801464  0.11168886

   1.227298    0.4929586   1.5796568   0.39961207]]

#####################(6)#############

<dtype: 'float32_ref'>

[[-8.67323399e-01  4.41813141e-01 -3.52488965e-01 -1.76614091e-01

   1.00177491e+00  2.64105648e-01 -5.67676127e-01 -5.66444278e-01

  -1.11713566e-01 -1.62478304e+00]

 [-4.01060373e-01 -1.53238133e-01  1.42307401e+00  1.83093756e-01

  -3.86358112e-01 -3.38347167e-01 -7.37435699e-01  4.85668957e-01

  -2.23827705e-01 -6.16371274e-01]

 [-1.74246800e+00 -1.50056124e+00  4.86318618e-01  2.23255545e-01

  -1.32530510e-01  4.32058543e-01  1.63234258e+00  4.27152753e-01

  -8.93448740e-02 -1.63452363e+00]

 [-5.66304445e-01  1.96294522e+00 -1.79052025e-01 -4.16035742e-01

  -1.98147106e+00  9.22261253e-02  1.61968184e+00 -8.48334093e-05

  -1.10359132e+00 -9.37306821e-01]

 [-1.29361153e+00 -2.19077677e-01  9.65968966e-01 -1.00457764e+00

   1.03525579e+00  7.68449605e-01 -2.83788472e-01 -9.96825278e-01

   9.89943027e-01 -8.15696597e-01]

 [ 1.05699182e+00  4.94321942e-01  5.56545183e-02 -6.78756416e-01

  -7.09120393e-01  9.43395719e-02  8.03394914e-02 -3.90621006e-01

   1.11901140e+00  1.81483221e+00]

 [ 1.01025134e-01  7.93871880e-01 -9.95540798e-01 -1.59315515e+00

   6.70278594e-02 -1.59100366e+00  5.90698659e-01 -1.91533327e-01

  -1.50902605e+00  1.18755126e+00]

 [-1.12480015e-01 -3.39124560e-01 -2.30515420e-01 -5.54720983e-02

   1.67964801e-01 -6.07038677e-01  7.68552572e-02 -3.74692559e-01

   2.46963039e-01 -3.22560370e-01]

 [-8.20123136e-01 -1.29625332e-02  1.89566636e+00  8.59677613e-01

   7.04243034e-02  2.64431804e-01 -5.70574045e-01  1.15279579e+00

  -2.09608763e-01  1.06412935e+00]

 [-6.38129354e-01 -7.22046494e-01 -9.16518748e-01  1.95674682e+00

   1.76543847e-01 -1.04135227e+00 -1.37964451e+00  5.35133541e-01

  -1.39267373e+00 -1.18439484e+00]]

None

(10, 10)

###################(7)###############

[[1. 1.]

 [2. 2.]]

10、函数及参数：tf.nn.bias_add

bias_add(
value,
bias,
data_format=None,
name=None
)

功能说明：

将偏差项 bias 加到 value 上面，可以看做是 tf.add 的一个特例，其中 bias 必须是一维的，并且维度和 value 的最后一维相同，数据类型必须和 value 相同。

参数列表：

参数名 必选 类型 说明
value 是 张量 数据类型为 float, double, int64, int32, uint8, int16, int8, complex64, or complex128
bias 是 1 维张量 维度必须和 value 最后一维维度相等
data_format 否 string 数据格式，支持 ' NHWC ' 和 ' NCHW '
name 否 string 运算名称

实例：

#!/usr/bin/python

import tensorflow as tf

import numpy as np

a = tf.constant([[1.0, 2.0],[1.0, 2.0],[1.0, 2.0]])

b = tf.constant([2.0,1.0])

c = tf.constant([1.0])

sess = tf.Session()

print (sess.run(tf.nn.bias_add(a, b)))

#print (sess.run(tf.nn.bias_add(a,c))) error

print ("##################################")

print (sess.run(tf.add(a, b)))

print ("##################################")

print (sess.run(tf.add(a, c)))

执行结果：

　　3 个 3x2 维张量

11、函数及参数：tf.reduce_mean

reduce_mean(
input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None
)

功能说明：

计算张量 input_tensor 平均值

参数列表：

参数名 必选 类型 说明
input_tensor 是 张量 输入待求平均值的张量
axis 否 None、0、1 None：全局求平均值；0：求每一列平均值；1：求每一行平均值
keep_dims 否 Boolean 保留原来的维度(例如不会从二维矩阵降为一维向量)
name 否 string 运算名称
reduction_indices 否 None 和 axis 等价，被弃用

实例：

#!/usr/bin/python

import tensorflow as tf

import numpy as np

initial = [[1.,1.],[2.,2.]]

x = tf.Variable(initial,dtype=tf.float32)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init_op)

    print(sess.run(tf.reduce_mean(x)))

    print(sess.run(tf.reduce_mean(x,0))) #Column

    print(sess.run(tf.reduce_mean(x,1))) #row

执行结果：

1.5

[ 1.5  1.5]

[ 1.  2.]

12、函数及参数：tf.squared_difference

squared_difference(
x,
y,
name=None
)

功能说明：

计算张量 x、y 对应元素差平方

参数列表：

参数名 必选 类型 说明
x 是 张量 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
y 是 张量 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name 否 string 运算名称

实例：

#!/usr/bin/python

import tensorflow as tf

import numpy as np

initial_x = [[1.,1.],[2.,2.]]

x = tf.Variable(initial_x,dtype=tf.float32)

initial_y = [[3.,3.],[4.,4.]]

y = tf.Variable(initial_y,dtype=tf.float32)

diff = tf.squared_difference(x,y)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init_op)

    print(sess.run(diff))

执行结果：

[[ 4.  4.]

 [ 4.  4.]]

13、函数及参数：tf.square

square(
x,
name=None
)

功能说明：

计算张量对应元素平方

参数列表：

参数名 必选 类型 说明
x 是 张量 是 half, float32, float64, int32, int64, complex64, complex128 其中一种类型
name 否 string 运算名称

实例：

#!/usr/bin/python

import tensorflow as tf

import numpy as np

initial_x = [[1.,1.],[2.,2.]]

x = tf.Variable(initial_x,dtype=tf.float32)

x2 = tf.square(x)

init_op = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init_op)

    print(sess.run(x2))

执行结果：

[[ 1.  1.]

 [ 4.  4.]]

 14、tf.layers.dense()

全连接层，和tf.fully connected layers功能相同，但推荐tf.layers.dense()

tf.layers.dense(

    inputs,

    units,

    activation=None,

    use_bias=True,

    kernel_initializer=None,

    bias_initializer=tf.zeros_initializer(),

    kernel_regularizer=None,

    bias_regularizer=None,

    activity_regularizer=None,

    kernel_constraint=None,

    bias_constraint=None,

    trainable=True,

    name=None,

    reuse=None

)
  • inputs:该层的输入。
  • units: 输出的大小（维数），整数或long。
  • activation: 使用什么激活函数（神经网络的非线性层），默认为None，不使用激活函数。
  • use_bias: 使用bias为True（默认使用），不用bias改成False即可。
  • kernel_initializer:权重矩阵的初始化函数。 如果为None（默认值），则使用tf.get_variable使用的默认初始化程序初始化权重。
  • bias_initializer:bias的初始化函数。
  • kernel_regularizer：权重矩阵的正则函数。
  • bias_regularizer：bias的的正则函数。
  • activity_regularizer:输出的的正则函数。
  • kernel_constraint:由优化器更新后应用于内核的可选投影函数（例如，用于实现层权重的范数约束或值约束）。 该函数必须将未投影的变量作为输入，并且必须返回投影变量（必须具有相同的形状）。 在进行异步分布式培训时，使用约束是不安全的。
  • bias_constraint:由优化器更新后应用于偏差的可选投影函数。
  • trainable:Boolean，如果为True，还将变量添加到图集collectionGraphKeys.TRAINABLE_VARIABLES（参见tf.Variable）。
  • name:名字
  • reuse:Boolean，是否以同一名称重用前一层的权重。

tensorFlow（一）相关重要函数理解的更多相关文章

  1. linux新定时器：timefd及相关操作函数

    timerfd是Linux为用户程序提供的一个定时器接口.这个接口基于文件描述符,通过文件描述符的可读事件进行超时通知,所以能够被用于select/poll的应用场景. 一,相关操作函数 #inclu ...

  2. （四） tensorflow笔记：常用函数说明

    tensorflow笔记系列: (一) tensorflow笔记:流程,概念和简单代码注释 (二) tensorflow笔记:多层CNN代码分析 (三) tensorflow笔记:多层LSTM代码分析 ...

  3. (二十四)linux新定时器：timefd及相关操作函数

    timerfd是Linux为用户程序提供的一个定时器接口.这个接口基于文件描述符,通过文件描述符的可读事件进行超时通知,所以能够被用于select/poll的应用场景. 一,相关操作函数 #inclu ...

  4. tensorflow dataloader 相关内容

    Tensorflow dataloader 相关调研:数据读取是训练的开始,是非常关键的一步:下面是调研时搜集到的一些相关链接: 十图详解tensorflow数据读取机制 https://zhuanl ...

  5. 一些PHP选项参数相关的函数

    关于 PHP 的配置,我们大多数情况下都是去查看 php.ini 文件或者通过命令行来查询某些信息,其实,PHP 的一些内置函数也可以帮助我们去查看或操作这些配置参数.比如之前我们学习过的 关于php ...

  6. Scala中Zip相关的函数

    在Scala中存在好几个Zip相关的函数,比如zip,zipAll,zipped 以及zipWithIndex等等.我们在代码中也经常看到这样的函数,这篇文章主要介绍一下这些函数的区别以及使用. 1. ...

  7. OpenGl的glMatrixMode()函数理解

    glMatrixMode()函数的参数,这个函数其实就是对接下来要做什么进行一下声明,也就是在要做下一步之前告诉计算机我要对“什么”进行操作了,这个“什么”在glMatrixMode的“()”里的选项 ...

  8. python字符串 列表 元组 字典相关操作函数总结

    1.字符串操作函数 find 在字符串中查找子串,找到首次出现的位置,返回下标,找不到返回-1 rfind 从右边查找 join 连接字符串数组 replace 用指定内容替换指定内容,可以指定次数 ...

  9. c/c++ 图相关的函数(二维数组法）

    c/c++ 图相关的函数(二维数组法) 遍历图 插入顶点 添加顶点间的线 删除顶点 删除顶点间的线 摧毁图 取得与v顶点有连线的第一个顶点 取得与v1顶点,v1顶点之后的v2顶点的之后的有连线的第一个 ...

随机推荐

  1. lua 特殊时间格式转换

    [1]时间格式转换需求 工作中,因业务需要将时间格式进行转换.需求内容如下: 原格式:17:04:49.475  UTC Mon Mar 04 2019 转换格式:2019-03-04 17:04:4 ...

  2. week_one-python格式化输出

    1.多行格式化输出 (1) # Author:larlly name = input("input your name :") age = input("input yo ...

  3. CSS——对height和line-height的理解

    最近在做CSS界面时经常遇到line-height和height这两个属性,一直没搞很明白,今天静下心来好好网上查阅了一下,算是有所领悟.https://blog.csdn.net/a20131263 ...

  4. HTTPS通信原理

      https的实现原理https用到了多种加密算法来实现通信安全,其中两种基本的加解密算法类型解释如下:(1)对称加密:密钥只有一个,加密解密为同一个密码,且加解密速度快,典型的对称加密算法有DES ...

  5. Reading comprehension HDU - 4990

    Read the program below carefully then answer the question. #pragma comment(linker, "/STACK:1024 ...

  6. Spring笔记 #02# 利用切面和注解校验方法参数

    例子还是之前的例子.仍然是对mage进行法术攻击时的咒语进行校验,不过略微提高了扩展性. 应用示例 1.在.properties文件中定义参数格式(正则): sp1=^\\D*hello\\D*$ s ...

  7. vue-i18n使用ES6语法以及空格换行问题

    1.运行报错 报错使用了不恰当的exports Uncaught TypeError : Cannot assign to read only property 'exports ' of objec ...

  8. aliplayer 视频播放报错

    问题总结: 1.引用 阿里库时href和src 文件路径不加http <link rel="stylesheet" href="//g.alicdn.com/de/ ...

  9. [c/c++] programming之路（24）、字符串（五）——字符串插入，字符串转整数，删除字符，密码验证，注意事项

    1.将字符串插入到某位置(原字符串“hello yincheng hello cpp hello linux”,查找cpp,找到后在cpp的后面插入字符串“hello c”) 需要用到strstr字符 ...

  10. Java实现简单的RPC框架

    一.RPC简介 RPC,全称为Remote Procedure Call,即远程过程调用,它是一个计算机通信协议.它允许像调用本地服务一样调用远程服务.它可以有不同的实现方式.如RMI(远程方法调用) ...