TensorFlow入门教程

1. 神经网络相关操作
   1.1 tf.nn.conv2(input,filter,strides,padding,use_cudnn_gpu=None,name=None)

   input：指需要做卷积的输入图像，它要求是一个Tensor，
   具有[batch,in_height,in_width,in_channels]
   这样的shape，具体含义是[训练时一个batch的图片数量,
   图片高度, 图片宽度, 图像通道数]，
   注意这是一个4维的Tensor，要求类型为float32和   
   float64其中之一
   
   filter：相当于CNN中的卷积核，它要求是一个Tensor，
   具有[filter_height, filter_width,in_channels, 
   out_channels]这样的shape，
   具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷
   积核个数]，
   要求类型与参数input相同,filter的通道数要求与input的
   in_channels一致，
   有一个地方需要注意，第三维in_channels，就是参数
   input的第四维
   
   strides：卷积时在图像每一维的步长，这是一个一维的向
   量，长度4，strides[0]=strides[3]=1
   
   padding：string类型的量，只能是"SAME","VALID"其中
   之一，这个值决定了不同的卷积方式
   
   第五个参数：use_cudnn_on_gpu:bool类型，是否使用
   cudnn加速，默认为true
   
   结果返回一个Tensor，这个输出，就是我们常说的featuremap
   

input=tf.Variable(tf.random_normal([1,3,3,5]))
filter=tf.Variable(tf.random_normal([1,1,5,1]))
op=tf.nn.conv2d(input=input,filter=filter,strides=
[1,1,1,1],padding='VALID')

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    res=(sess.run(op))
    print(res.shape)#(1, 3, 3, 1)
    print(res)

1.2
tf.nn.max_pool(value,ksize,strides,padding,name=None)
第一个参数value：需要池化的输入，一般池化层接在卷积层后面，
所以输入通常是feature map，依然是[batch, height, 
width,channels]这样的shape

第二个参数ksize：池化窗口的大小，取一个四维向量，一般是
[1, height, width, 1]，因为我们不想在batch和channels
上做池化，所以这两个维度设为了1

第三个参数strides：和卷积类似，窗口在每一个维度上滑动的步
长，一般也是[1, stride,stride, 1]

第四个参数padding：和卷积类似，可以取'VALID'或者'SAME'

 返回一个Tensor，类型不变，shape仍然是[batch, height, 
 width, channels]这种形式

a=tf.constant([#(2, 4, 4)
        [[1.0,2.0,3.0,4.0],
        [5.0,6.0,7.0,8.0],
        [8.0,7.0,6.0,5.0],
        [4.0,3.0,2.0,1.0]],
        [[4.0,3.0,2.0,1.0],
         [8.0,7.0,6.0,5.0],
         [1.0,2.0,3.0,4.0],
         [5.0,6.0,7.0,8.0]]
    ])
print(a.shape)
a=tf.reshape(a,[1,4,4,2])
pooling=tf.nn.max_pool(a,[1,2,2,1],[1,1,1,1],padding='VALID')
with tf.Session() as sess:
    print('image:')
    image=sess.run(a)
    print(image)
    print("result:")
    result=sess.run(pooling)
    print(result)
    print(result.shape)#(1, 3, 3, 2)

1.3
tf.nn.dr