tensorflow1.4.0函数解释

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