TensorFlow的常量、变量、常用函数（一）

TensorFlow常用函数（一）

（1）tf.variable_scope('namespace')和tf.name_scope('namespace')：返回一个用于定义创建variable（层）的op的上下文管理器，相当于给下面的变量定义了一个命名空间,在这个with下面的所有节点会自动命名为：namespace/xxxx这样的格式

（2）tf.nn.conv2d(input,filter,strides,padding,use_cudnn_on_gpu=None,data_format=None, name=None)：卷积操作

（3）tf.layers.conv2d（inputs,filters,kernel_size,strides=(1, 1), activation=None, padding='valid',    use_bias=True, kernel_initializer=None,bias_initializer=tf.zeros_initializer()））：卷积操作

（4）激活函数比较：tf.nn.relu()、tf.nn.sigmoid()、tf.nn.tanh()、tf.nn.bias_add()、tf.nn.dropout():

（5）池化函数：tf.nn.avg_pool()、tf.nn.max_pool()

（6）tf.nn.conv2d_transpose()：反卷积函数

（7）tf.nn.atrous_conv2d(value, filters, rate, padding, name=None):空洞卷积

（8）tf.Session.run(fetches,feed_dict=None,options=None,run_metadata=None):

（9）tf.nn.softmax_cross_entropy_with_logits(logits, labels, name=None)和tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)：求两个分布的交叉熵

---

下一篇：TensorFlow常用函数（二）

---

1、创建tensor常量

（1）tf.constant（或tf.constant_initializer）创建常量:

      函数原型：tf.constant(value,dtype=None,shape=None,name='Const',verify_shape=False)
      tensor = tf.constant([1, 2, 3, 4, 5, 6, 7])   --->[1, 2, 3, 4, 5, 6, 7]
      tensor = tf.constant(-1.0, shape=[2, 3])   --->[[-1. -1. -1.] [-1. -1. -1.]]
      tensor=tf.constant(np.arange(10),dtype = tf.float32,shape = [2,5],name = "constant")
      -->[[0. 1. 2. 3. 4.] [5. 6. 7. 8. 9.]]

（2）tf.zeros（或tf.zeros_initializer）、tf.ones（或tf.ones_initializer）创建常量

       tensor=tf.zeros((2,3),dtype = tf.float32,name = None)
      -->[[0. 0. 0.] [0. 0. 0.]]
      tensor=tf.ones((2,3),dtype = tf.float32,name = None)
      -->[[1. 1. 1.] [1. 1. 1.]]

（3）递增序列创建常量

      tf.linspace(start,stop,num,name = None )
      tf.range(start,limit,delta = 1,name = "range")
      tensor=tf.linspace(0.0,10.0,11)--->[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
      tensor=tf.range(0.0,5.0,delta = 1,name = "range")--->[0. 1. 2. 3. 4.]

（4）创建特殊分布的常量（tf.random_normal_initializer()、tf.truncated_normal_initializer()、tf.random_uniform_initializer()、tf.random_shuffle_initializer()）

      tf.random_normal(shape,mean = 0,stddev = 1,dtype = tf.float32,seed = None,name = None)
      tf.truncated_normal(shape,mean = 0,stddev = 1,dtype = tf.float32,seed = None,name = None)

      这两函数都是生成正态随机数，区别是truncated在生成随机数后，如果随机数在两倍标准差之外，就重新生成一个，直到生成最终结果。参数中shape为一个列表，表示形状，mean和stddev分别标书均值和标准差，seed为随机数种子。和其他python随机语法一样，固定seed以后，生成的随机数将不变。
      tf.random_uniform(shape,minval = 0.0,maxval = 1.0,dtype = tf.float32,seed = None)：这个函数生成从0到1中平均分布的数值。   
      tf.random_shuffle(value,seed = None,name = None)：传入一个tensor，然后将这个rensor进行随机洗牌。

（5）使用numpy的数组来创建

     x = np.array([[[11, 21, 31],[41, 51, 61]]])
     tensor= tf.convert_to_tensor(x, dtype = tf.float32)

     -->[[[11. 21. 31.]  [41. 51. 61.]]]

2、tensor变量的创建、保存、读取

     tensorflow中变量一般用来用来描述学习的参数，tensorflow变量需要先进行初始化，然后才可以使用，变量也可以进行分享与保存，变量部分主要有新建、初始化、保存与读取、分享、更新几个部分。

（1）tensorflow中有两个关于variable的op，tf.Variable()与tf.get_variable()：

       1)tf.Variable(initial_value=None, trainable=True, collections=None,validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)

     2) tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, custom_getter=None)

     init_value为其初始化值，可以传入数值，列表，numpy数组，tf的tensor等，init_value必须含有shape，如果没有，validate_shape必须设置为False，但是对一个变量来说，最好使用固定结构的变量。trainable默认为True。这两个函数的区别如下：  使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会