tensorflow学习笔记各个函数解析

弄清以下问题的含义：
1.

tf.train.global_step

获取全局训练步数， 由 各种损失函数优化器中的minimize()方法负责自动加1

 sess.run(
    fetches,
    feed_dict=None,
    options=None,
    run_metadata=None
)

• fetches: A single graph element, a list of graph elements, or a
  dictionary whose values are graph elements or lists of graph elements
  (described above).

• feed_dict: A dictionary that maps graph elements
  to values (described above).

• options: A [RunOptions] protocol buffer

• run_metadata: A [RunMetadata] protocol buffer

翻译一下： fetchs 是一个[] ，字典中的元素是计算图中定义的元素，
feed_dict用来提供输入参数

• word embedding 与one-hot 相比是连续的，可以表达出词与词之间的联系。 word2vec 可以高效获得 word embedding 。 有两种模型，一个叫CBOW，还有一个skip-gram 。 CBOW适用于小型数据，采用根据上下文预测目标词。 而skip-gram 适用大型数据集 使用目标词推测上下文

神经网络模型的结果使用 one-hot vector来表示

此部分为转载
tf.nn.embedding_lookup函数的用法主要是选取一个张量里面索引对应的元素。tf.nn.embedding_lookup（tensor, id）:tensor就是输入张量，id就是张量对应的索引，其他的参数不介绍。

例如：

import tensorflow as tf;
import numpy as np;

c = np.random.random([10,1])
b = tf.nn.embedding_lookup(c, [1, 3])

with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
print sess.run(b)
print c
输出：
[[ 0.77505197]
[ 0.20635818]]
[[ 0.23976515]
[ 0.77505197]
[ 0.08798201]
[ 0.20635818]
[ 0.37183035]
[ 0.24753178]
[ 0.17718483]
[ 0.38533808]
[ 0.93345168]
[ 0.02634772]]

分析：输出为张量的第一和第三个元素