學習tensorflow對遇到的函式的總結：（不斷更新中）
目錄
tf.truncated_normal函式
tf.variable函式
tf.nn.conv2d函式
tf.placeholder函式
tf.nn.max_pool_2*2函式
tf.constant函式
tf.nn.relu函式
tf.matmul()函式
tf.nn.dropout函式
tf.nn.softmax函式
tf.reduce_mean、tf.reduce_max函式
tf.cast函式
tf.global_variables_initializer函式
tf.nn.l2_loss函式
tf.add_to_collection函式
tf.nn.bias_add函式
功能：從截斷的正態分佈中輸出隨機值。
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=none, name=none)
只保留[mean-2*stddev,mean+2*stddev]範圍內的隨機數，和一般的正太分布的產生隨機資料比起來，這個函式產生的隨機數與均值的差距不會超過兩倍的標準差
功能：定義圖變數
tf.variable.init(initial_value, trainable=true, collections=none, validate_shape=true, name=none)
只有第乙個引數是必須的
引數名稱
引數型別
含義initial_value
所有可以轉換為tensor的型別
變數的初始值
trainable
bool
如果為true，會把它加入到graphkeys.trainable_variables，才能對它使用optimizer
collections
list
指定該圖變數的型別、預設為[graphkeys.global_variables]
validate_shape
bool
如果為false，則不進行型別和維度檢查
name
string
變數的名稱，如果沒有指定則系統會自動分配乙個唯一的值
功能：二維卷積函式
tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=none,name=none)
input：指需要做卷積的輸入影象，它要求是乙個tensor，具有[batch, in_height, in_width, in_channels]這樣的shape，具體含義是[訓練時乙個batch的數量, 高度, 寬度, 影象通道數]，注意這是乙個4維的tensor，要求型別為float32和float64其中之一。
結果返回乙個tensor，這個輸出，就是我們常說的feature map，shape仍然是[batch, height, width, channels]這種形式
功能：此函式可以理解為形參，用於定義過程，在執行的時候再賦具體的值
tf.placeholder(dtype,shape=none,name=none)
功能：最大池化
tf.nn.max_pool(value,kszie,strides,padding,name=none)
value：需要池化的輸入，一般池化層接在卷積層後面，所以輸入通常是feature map，依然是[batch, height, width, channels]這樣的shape
返回乙個tensor，型別不變，shape仍然是[batch, height, width, channels]這種形式
功能：生成乙個給定值的常量
tf.constant(value, dtype=none, shape=none, name='const', verify_shape=false)
功能：relu啟用函式
tf.nn.relu(features, name=none)
功能：將矩陣a 乘於 矩陣b(矩陣乘法)
tf.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)
返回值：
乙個跟張量a和張量b型別一樣的張量且最內部矩陣是a和b中的相應矩陣的乘積。如果所有的轉置或adjoint引數都為假，則公式為output[..., :, :] = a[..., :, :] * b[..., :, :]
功能：矩陣點乘
功能：訓練時隨機丟棄一部分資料來減輕過擬合
dropout(x, keep_prob, noise_shape=none, seed=none, name=none)
功能：softmax回歸，將logistic的**二分類的概率的問題推廣到了n分類的概率的問題。
tf.nn.softmax(logits,axis=none,name=none, dim=none)
功能：在tensor的某一維度上求和求最大值
tf.reduce_max(input_tensor, reduction_indices=none, keep_dims=false, name=none)
tf.reduce_mean(input_tensor, reduction_indices=none, keep_dims=false, name=none)
功能：轉換輸入型別
tf.cast(x,dtype,name=none)
返回：tensor
功能：新增節點用於初始化所有的變數(graphkeys.variables)。返回乙個初始化所有全域性變數的操作（op）。在你構建完整個模型並在會話中載入模型後，執行這個節點。
tf.global_variables_initializer()
功能：利用 l2 範數來計算張量的誤差值，output = sum(t ** 2) / 2
tf.nn.l2_loss( t, name=none )
功能：將張量新增到集合中
tf.add_to_collection(name,value)
功能：將偏差項bias加到value上
tf.nn.bias_add(value,bias,name=none)
返回乙個tensor,資料型別和value相同
功能：區域性響應標準化
tf.nn.lrn(input, depth_radius=none, bias=none, alpha=none, beta=none,name=none)
返回乙個tensor,資料型別和input相同
tf.contrib.layers.l1_regularizer(scale, scope=none)
功能：返回乙個用來執行l1正則化的函式,函式的簽名是func(weights).
tf.contrib.layers.l2_regularizer(scale, scope=none)
功能：返回乙個執行l2正則化的函式.
tensorflow學習 《基本用法》
最近嘗試用dqn ddqn演算法時，發現tensorflow部分有點模糊，正好忙完了一段時間亂七八糟的事，靜下來心重新完整的學一遍tensorflow 首先tensorflow是做圖計算的 階數學例項 數學例項 0純量 只有大小 s 483 1向量 大小和方向 v 1.1,2.2,3.3 2矩陣 資...
tensorflow2 0學習筆記3 常用函式
筆記基於北大的tensorflow2.0教程，將課程的一些重要內容記下來，方便於學習。一 常用函式 強制資料型別轉換 tf.cast 張量名，dtype 資料型別 找張量最小值 tf.reduce min 張量名 找張量最大值 tf.reduce max 張量名 二維張量中，可以通過調整axis控制...
Tensorflow2 0學習筆記（2） 常用函式
對應元素的加減乘除 次方 print tf.square a 平方 a tf.ones 3 2 b tf.fill 2 3 1.print tf.matmul a,b tf.matmul 矩陣1，矩陣2 data tf.data.dataset.from tensor slices 輸入特徵，標籤 ...