函式一：initializer=tf.random_uniform_initializer(-0.1, 0.1, seed=123)
tf.random_uniform_initializer
引數：函式二：lstm = tf.contrib.rnn.lstmcell(rnn_size, initializer=tf.random_uniform_initializer(-0.1, 0.1, seed=123))
定義基本的lstm單元，rnn_size是lstm cell中的單元數，與輸入向量的維度是一致的。根據輸入的詞向量，來定義維度。
函式三：lstms = tf.contrib.rnn.multirnncell([get_lstm(rnn_size) for _ in range(rnn_num_layers)])
用於例項化遞迴神經網路，rnncell由多個****** cell組成，返回值為輸入張量或者張量列表
函式四：encoder_outputs, encoder_states = tf.nn.dynamic_rnn(lstms, encoder_embed, source_sequence_len, dtype=tf.float32)
encoder_embed代表輸入，[x,y,z]x代表batch的大小，y文字長度，z是embedding編碼的長度。
source-sequence_len代表輸入的文字長度，可以設定為[x,y],x代表最大長度，y是此次長度，我也沒看太懂，之後繼續補充：
encoder_outputs,每乙個迭代隱狀態的輸出
encode_states，代表最後的編碼的碼字context vector（其長度有什麼確定？後面再補充）
補充：官方文件：
'outputs' is a tensor of shape [batch_size, max_time, cell_state_size]
'state' is a tensor of shape [batch_size, cell_state_size]
我們用乙個小例子來說明其用法，假設你的rnn的輸入input是[2,20,128]，其中2是batch_size,20是文字最大長度，128是embedding_size，可以看出，有兩個example，我們假設第二個文字長度只有13，剩下的7個是使用0-padding方法填充的。dynamic返回的是兩個引數：outputs,last_states，其中outputs是[2,20,128]，也就是每乙個迭代隱狀態的輸出,last_states是由(c,h)組成的tuple，均為[batch,128]
因此context vector的輸出的長度為embedding編碼的長度。
函式五：tf.identity
看例子：
自己理解作用，通過tf.identity，在圖中只有operation才會執行，因此通過簡單的y=x賦值，在圖中並不會執行，因此需要定義乙個operation，在圖中形成乙個節點，tf.identity是返回乙個一 模一樣新的tensor的op，這會增加乙個新節點到gragh中。
函式六：masks = tf.sequence_mask(target_sequence_len, max_target_sequence_len, dtype=tf.float32, name="masks")
返回乙個表示每個單元的前n個位置的mask張量。
示例：tf.sequence_mask([1, 3, 2], 5) # [[true, false, false, false, false],
# [true, true, true, false, false],
# [true, true, false, false, false]]
tf.sequence_mask([[1, 3],[2,0]]) # [[[true, false, false],
# [true, true, true]],
# [[true, true, false],
# [false, false, false]]]
函式七：encoder_embed = tf.contrib.layers.embed_sequence(rnn_inputs, source_vocab_size, encoder_embedding_size)
tf.contrib.layers.embed_sequence(ids, vocab_size, embed_dim)
ids: 形狀為[batch_size, doc_length]的int32或int64張量，也就是經過預處理的輸入資料。
vocab_size: 輸入資料的總詞彙量，指的是總共有多少類詞彙，不是總個數
embed_dim：想要得到的嵌入矩陣的維度
返回值：tensorof[batch_size, doc_length, embed_dim]with embedded sequences.
反卷積實現 tensorflow 實現
deconv解卷積，實際是叫做conv transpose,conv transpose實際是卷積的乙個逆向過程，tf中，編寫conv transpose 的時候，心中想著乙個正向的卷積過程會很有幫助。想象一下我們有乙個正向卷積 input shape 1,5,5,3 kernel shape 2,...
Tensorflow實現嶺回歸
嶺回歸可以看作是線性回歸的一種增強版，實現的時候無非就是加入乙個二範數正則化項，但是應當注意，這裡只對於權重進行懲罰，偏置項是不加入正則化的，具體理論可以參見相關的 和blog，在此不贅述。這裡還是使用tf實現了嶺回歸演算法，並實際應用在了乙個真實資料集而非人工資料集上，資料及規模相比於之前的資料也...
Tensorflow實現邏輯回歸
import tensorflow as tf 匯入mnist資料集 from tensorflow.examples.tutorials.mnist import input data mnist input data.read data sets temp data one hot true 定...