python、tensorflow以及其他若干知识

非常不认真的写的 我只是看不懂代码 呜呜呜

1、python的collections库：
collections.nametuple可以通过比如如下的方式访问具体的值

>>> from collections import namedtuple
>>> Point = namedtuple('Point', ['x', 'y'])
>>> p = Point(1, 2)
>>> p.x
1
>>> p.y
2

2、with tf.name_scope(’’)
结合 tf.Variable() 来使用，方便参数命名管理.

3、tf.stack和tf.unstack:矩阵的拼接与分解

4、tf.squeeze:删除tensor中所有大小为1的维度

5、tf.summary
5.1 Tensorboard的数据形式
Tensorboard可以记录与展示以下数据形式：
（1）标量Scalars
（2）图片Images
（3）音频Audio
（4）计算图Graph
（5）数据分布Distribution
（6）直方图Histograms
（7）嵌入向量Embeddings

5.2 Tensorboard的可视化过程
（1）首先肯定是先建立一个graph,你想从这个graph中获取某些数据的信息
（2）确定要在graph中的哪些节点放置summary operations以记录信息
使用tf.summary.scalar记录标量
使用tf.summary.histogram记录数据的直方图
使用tf.summary.distribution记录数据的分布图
使用tf.summary.image记录图像数据
….
（3）operations并不会去真的执行计算，除非你告诉他们需要去run,或者它被其他的需要run的operation所依赖。sess.run(op) 或者sess.run(op->依赖之)
而我们上一步创建的这些summary operations其实并不被其他节点依赖，因此，我们需要特地去运行所有的summary节点。但是呢，一份程序下来可能有超多这样的summary 节点，要手动一个一个去启动自然是及其繁琐的，因此我们可以使用tf.summary.merge_all去将所有summary节点合并成一个节点，只要运行这个节点，就能产生所有我们之前设置的summary data。
（4）使用tf.summary.FileWriter将运行后输出的数据都保存到本地磁盘中
（5）运行整个程序，并在命令行输入运行tensorboard的指令，之后打开web端可查看可视化的结果

6、sv = tf.train.Supervisor(logdir=logdir, save_summaries_secs=0, saver=None)
从上面代码可以看出，Supervisor帮助我们处理一些事情
（1）自动去checkpoint加载数据或初始化数据
（2）自身有一个Saver，可以用来保存checkpoint
（3）有一个summary_computed用来保存Summary
所以，我们就不需要：
（1）手动初始化或从checkpoint中加载数据
（2）不需要创建Saver，使用sv内部的就可以
（3）不需要创建summary writer