1.np.random.rand()
x_data = np.random.rand(100).astype(np.float32)
#通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。
2.tf.random_uniform()
w = tf.Variable(initial_value=tf.random_uniform([1],-1.0,1.0))
#生成一维向量,大小在-1到1之间
3.tf.zeros()
b = tf.Variable(initial_value=tf.zeros([1]))
#shape 代表形状,也就是1纬的还是2纬的还是n纬的数组。
4.tf.multiply与tf.matmul的区别
1.tf.multiply()两个矩阵中对应元素各自相乘
2.tf.matmul()将矩阵a乘以矩阵b,生成a * b。
5. tf.random_normal()
用于从“服从指定正态分布的序列”中随机取出指定个数的值。
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
shape: 输出张量的形状,必选
mean: 正态分布的均值,默认为0
stddev: 正态分布的标准差,默认为1.0
dtype: 输出的类型,默认为tf.float32
seed: 随机数种子,是一个整数,当设置之后,每次生成的随机数都一样
name: 操作的名称
6.tf.truncated_normal()
tf.truncated_normal(shape, mean, stddev)
释义:截断的产生正态分布的随机数,即随机数与均值的差值若大于两倍的标准差,则重新生成。
shape,生成张量的维度
mean,均值
stddev,标准差
7tf.nn.conv2d() 参数说明
def conv2d(input, # 张量输入
filter, # 卷积核参数
strides, # 步长参数
padding, # 卷积方式
use_cudnn_on_gpu=None, # 是否是gpu加速
data_format=None, # 数据格式,与步长参数配合,决定移动方式
name=None): # 名字,用于tensorboard图形显示时使用
8池化:tf.nn.max_pool
pooling = tf.nn.max_pool(
h,
ksize=[1, height, width, 1],
strides=[1, 1, 1, 1],
padding='VALID',
name="pool")
1. h : 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_size, height,
width, channels]这样的shape
2. k_size : 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
3. strides : 窗口在每一个维度上滑动的步长,一般也是[1, stride,stride, 1]
4. padding: 填充的方法,SAME或VALID,SAME表示添加全0填充,VALID表示不添加