TensorFLow入门：零碎知识点

tf.reduce_xxx函数

如tf.reduce_mean( )，tf.reduce_sum( )等,沿着tensor的某一维度，计算元素的平均值，总和等。

参数：

reduce_xxx(input_tensor,axis=None,keep_dims=False,name=None, reduction_indices=None) 
input_tensor：需要降维的tensor。 
axis：axis=none, 求全部元素的xxx；axis=0, 按列降维，求每列xxx；axis=1，按行降维，求每行xxx。 
keep_dims：表示是否保留原始数据的维度，False相当于执行完后原始数据就会少一个维度。
name：自定义操作的名称。 
reduction_indices：axis的旧名，已停用。

padding的两种方式：SAME和VALID

SAME：全0填充

VALID：不使用全0填充

tf.reshape(tensor,shape,name=None)

shape参数中的-1表示根据数组元素总数，自动计算出剩余的维度，shape参数只能有一个-1，当shape参数为[-1]时，表示将该数组完全平铺开来

tf.reshape(image, [227, 227, 3])

tf.assign赋值函数

操作方法：

# 第一种
var = tf.get_variable('weights', trainable=False)
session.run(var.assign(1))


# 第二种
var = tf.get_variable('weights', trainable=False)
session.run(tf.assign(var,2))

查看参数变化

# scope_name_var形式如'conv1/weights'
def get_weight(scope_name_var):
  var_list = [var for var in tf.global_variables() if scope_name_var in var.name]
  with tf.Session() as sess:
     sess.run(tf.global_variables_initializer())
     print(sess.run(var_list [0]))

tf.concat连接张量

注意下面报错是因为该函数不能将向量（shape只有一个维度）连接在一起

a = tf.Variable(tf.random_normal(shape=(1, 3)))
b = tf.tile(a, multiples=[1, 2])
c = tf.concat(values=(a, b), axis=1)

# aa = tf.Variable(tf.constant([1, 2, 3]))
# bb = tf.Variable(tf.constant([4, 5, 6]))
# cc = tf.concat(values=(aa, bb), axis=1)
# ValueError: Shape must be at least rank 2 but is rank 1 for 'concat_1' (op: 'ConcatV2') with input shapes: [3], [3], [] and with computed input tensors: input[2] = <1>.

aa = tf.Variable(tf.constant([[1, 2, 3]]))
bb = tf.Variable(tf.constant([[4, 5, 6]]))
cc = tf.concat(values=(aa, bb), axis=0)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(a.eval())
    print(b.eval())
    print(c.eval())
    print('a:', a.get_shape().as_list())
    print('b:', b.get_shape().as_list())
    print('c:', c.get_shape().as_list())

    print(cc.eval())

[[-0.55588114  1.23502767 -0.30317709]]
[[-0.55588114  1.23502767 -0.30317709 -0.55588114  1.23502767 -0.30317709]]
[[-0.55588114  1.23502767 -0.30317709 -0.55588114  1.23502767 -0.30317709
  -0.55588114  1.23502767 -0.30317709]]
a: [1, 3]
b: [1, 6]
c: [1, 9]
[[1 2 3]
 [4 5 6]]

持续更新中……