tensorflow笔记

关于变量常量占位符的定义
常量变量占位符
关于学习率、迭代次数和初始化方式的不同引起的训练准确率的比较学习率等
TensorFlow中的变量是惰性加载的，如果你想看到变量的值，必须建立一个对话（Session）
tf.get_variable():tf.get_variable(name, shape=None, dtype=None, initializer=None,regularizer=None, trainable=True, collections=None,caching_device=None, partitioner=None, validate_shape=True, custom_getter=None)
name：命名
shape：存放关于卷积核尺寸，通道数和深度，shape为 [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3。
tf.truncated_normal_initializer的使用方法：tf.truncated_normal_initializer的意思是：从截断的正态分布中输出随机值。
生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。
mean：一个python标量或一个标量张量。要生成的随机值的均值。
stddev：一个python标量或一个标量张量。要生成的随机值的标准偏差。
seed：一个Python整数。用于创建随机种子。查看 tf.set_random_seed 行为。
dtype：数据类型。只支持浮点类型。

tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)
input：输入的要做卷积的图片，要求为一个张量，shape为 [ batch, in_height, in_weight, in_channel ]，其中batch为图片的数量，in_height 为图片高度，in_weight 为图片宽度，in_channel 为图片的通道数，灰度图该值为1，彩色图为3。（也可以用其它值，但是具体含义不是很理解）
filter： 卷积核，要求也是一个张量，shape为 [ filter_height, filter_weight, in_channel, out_channels ]，其中 filter_height 为卷积核高度，filter_weight 为卷积核宽度，in_channel 是图像通道数 ，和 input 的 in_channel 要保持一致，out_channel 是卷积核数量。
strides： 卷积时在图像每一维的步长，这是一个一维的向量，[ 1, strides, strides, 1]，第一位和最后一位固定必须是1
padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。"SAME"是考虑边界，不足的时候用0去填充周围，"VALID"则不考虑
use_cudnn_on_gpu： bool类型，是否使用cudnn加速，默认为true
tf.nn.relu( features, name=None)tf.nn.relu()函数的目的是，将输入小于0的值幅值为0，输入大于0的值不变。
features：一个Tensor，必须是下列类型之一：float32,float64,int32,uint8,int16,int8,int64,bfloat16,uint16,half,uint32,uint64.
name：操作的名称(可选).
返回：一个Tensor,与features具有相同的类型.
**# tf.nn.max_pool(input , ksize, strides, padding, name=None)**函数的作用是找到按照 ksize进行移动找到input中的数据最大值 然后进行输出，第一个参数：表示input 标识的是输入的真实数据 其形状是 [batch_size, in_height, in_width, in_channels] ，第二个参数： 表示的是卷积核大小 只能是具体的list数据不能是list的变量，第三个参数是： 表示卷积的步长 也只能是具体的list数据 不能是list的变量 第四个参数：padding： string类型，值为“SAME” 和 “VALID”，表示的是卷积的形式，是否考虑边界。"SAME"是考虑边界，不足的时候用0去填充周围，"VALID"则不考虑
matmul(
a,
b,
transpose_a=False,
transpose_b=False,
adjoint_a=False,
adjoint_b=False,
a_is_sparse=False,
b_is_sparse=False,
name=None
)
a：类型为 float16,float32,float64,int32,complex64,complex128 和 rank > 1的张量.
b：与 a 具有相同类型和 rank.
transpose_a：如果 True,a 在乘法之前转置.
transpose_b：如果 True,b 在乘法之前转置.
adjoint_a：如果 True,a 在乘法之前共轭和转置.
adjoint_b：如果 True,b 在乘法之前共轭和转置.
a_is_sparse：如果 True,a 被视为稀疏矩阵.
b_is_sparse：如果 True,b 被视为稀疏矩阵.
name：操作名称(可选).
Softmax 函数可以把它的输入，通常被称为 logits 或者 logit scores，处理成 0 到 1 之间，并且能够把输出归一化到和为 1。这意味着 softmax 函数与分类的概率分布等价。它是一个网络预测多分类问题的最佳输出激活函数。
tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。
reduce_mean(input_tensor,
axis=None,
keep_dims=False,
name=None,
reduction_indices=None)
第一个参数input_tensor： 输入的待降维的tensor;
第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
第四个参数name： 操作的名称;
第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;

本文是在学习过程中对他人一些分散的知识的一个总结，仅供参考