复现论文常用函数（一）tf.one_hot，tf.train.batch，tf.train.shuffle_batch，数据读取机制，获取文件路径，Bunch等

1.tf.one_hot(input, len)
该函数用于将输入input转化为one-hot形式的向量
第一个参数input表示输入
第二个参数len表示one-hot的长度
如：input = [0,1,3]
output = tf.one_hot(input, 4)
#output为：
#[[1,0,0,0],[0,1,0,0],[0,0,0,1]]

2.tf.train.batch([example, label], batch_size=batch_size, capacity=capacity)
该函数用于将数据组织成为一个batch，且是有序的
第一个和第二个参数的含义字面意思就清楚了，不赘述
capacity表示的是队列容量

3.tf.train.shuffle_batch(
tensor_list, batch_size, capacity, min_after_dequeue, num_threads=1, seed=None, enqueue_many=False, shapes=None, name=None)
该函数用于将数据组织成为一个batch，且是随机的，无序的
参数含义和上述函数相同。其中多的几个参数含义在此表达一下：
min_after_dequeue：一定要保证这参数小于capacity参数的值，否则会出错。这个代表队列中的元素大于它的时候就输出乱的顺序的batch
num_threads表示线程数量
seed是随机种子

4.tf数据读取机制：
tf.train.string_input_producer()
tf.train.start_queue_runners()

文件队列，通过tf.train.string_input_producer()函数来创建，文件名队列不包含文件的具体内容，只是在队列中记录所有的文件名，所以可以在这个函数中对文件设置多个epoch，并对其进行shuffle。这个函数只是创建一个文件队列，并指定入队的操作由几个线程同时完成。真正的读取文件名内容是从执行了tf.train.start_queue_runners()开始的，start_queue_runners返回一个op，一旦执行这个op，文件名队列就开始被填充了。
内存队列，这个队列不需要用户手动创建，有了文件名队列后，start_queue_runners之后，Tensorflow会自己维护内存队列并保证用户时时有数据可读。
详细内容请看这篇文章

5.获取文件路径
#获取文件当前路径
current_path = os.getcwd()
#获取文件当前路径的上一路径
path = os.path.dirname(os.getcwd())
#获取文件当前路径的上一路径中的某个文件test.py的路径
file_path = os.path.join(os.path.dirname(os.getcwd()),‘test.py’)

6.Bunch：
今天阅读源码的时候看到了一个关于bunch的知识点，但是网上搜索了很长时间都没有看到有用的信息。因此在这里记下：
bunch其实类似于字典dict，接下来看看和字典的区别：
字典只能通过[]访问：

bunch不仅能通过[]访问，还能通过.访问，也就是说dict所有的key都变成了bunch的属性：

用途：当在某个json文件中写了一些配置参数的时候，python将json文件读入，都是字典，在使用的时候不如.方便，特别是可能需要添加某个属性，那么用类就非常方便了。
注意上面的代码要引入Bunch：
from sklearn.datasets.base import Bunch

7.tf.summary.merge_all
merge_all 可以将所有summary全部保存到磁盘，以便tensorboard显示。如果没有特殊要求，一般用这一句就可一显示训练时的各种信息了。
格式：tf.summaries.merge_all(key=‘summaries’)

8.tf.Assert(condition,data)
该函数用于根据条件打印数据，条件为真时，不打印，条件为假时，打印，例如：
rank_assertion = tf.Assert(
tf.equal(tf.rank(image), 3),
[‘Rank of image must be equal to 3.’])
当image的维度是3时，不打印，若不是3，则打印后面这句话

9.tf.control_dependencies()
该函数用于实现某种依赖关系。通俗点说，就是如果事件b必须在事件a发生后再执行，那么可以使用tf.control_dependencies()来实现。如：

with g.control_dependencies([a, b]):
  # Ops constructed here run after `a` and `b`.
  with g.control_dependencies([c, d]):
    # Ops constructed here run after `a`, `b`, `c`, and `d`.

10.tf.stack(values,axis=0,name=‘stack’)
将秩为 R 的张量列表堆叠成一个秩为 (R+1) 的张量。
将 values 中的张量列表打包成一个张量，该张量比 values 中的每个张量都高一个秩，通过沿 axis 维度打包。给定一个形状为(A, B, C)的张量的长度 N 的列表；
如果 axis == 0，那么 output 张量将具有形状(N, A, B, C)。如果 axis == 1，那么 output 张量将具有形状(A, N, B, C)。

x = tf.constant([1, 4])
y = tf.constant([2, 5])
z = tf.constant([3, 6])
tf.stack([x, y, z])  # [[1, 4], [2, 5], [3, 6]] (Pack along first dim.)
tf.stack([x, y, z], axis=1)  # [[1, 2, 3], [4, 5, 6]]